有效的聚类算法答案

【问题标题】：Effective clustering algorithm有效的聚类算法
【发布时间】：2018-04-30 11:55:30
【问题描述】：

我需要以下算法问题的帮助（最好是完整的算法，但任何提示或参考将不胜感激）：

我们有一组 N 个元素。我可以定义任意两个元素之间的距离，满足metric conditions。我需要根据以下规则将这些元素分组为不相交的子集（每个元素恰好属于一个子集）：

每个子集中任意两个元素之间的最大距离不超过指定阈值。
子集的数量越少越好。
如果存在多个满足条件（1）和（2）的可能分组，则每个子集中任意两个元素之间的最大距离应尽可能小。

例子：

假设我们在数轴上有以下点：1、11、12、13、23。距离很简单，点之间的差异。我们的距离阈值为 10。满足条件 (1) 和 (2) 的两个可能分组是：(1, 11), (12), (13, 23) 或 (1) , (11, 12, 13), (23)。但是，条件 (3) 表明后一种分组是正确的。

【问题讨论】：

在尝试以直接方式执行此操作时遇到了什么问题？
@sascha 可以在 20 到 100 之间
@500 - 内部服务器错误，直截了当是什么意思？
刚看到它是 1d-only。因此，虽然没有回答您的问题，但这里有一些 start，至少在寻找什么方面。
一种方法（几乎总是）是混合整数编程，它应该能够在短时间内产生良好的近似值，并在更多的时间下产生准确的结果。但鉴于没有语言并且需要算法，我不会做基于 python 的实现。

标签： algorithm grouping cluster-analysis

【解决方案1】：

在一维数据中，对数据进行排序，并划分为所需数量的 bin，然后移动 bin 边界以进行优化。

它在更高维度上变得更有趣。在那里，问题将是 NP 难题。因此，找到最优值将是昂贵的。您确实可以在这里使用聚类：使用完整链接聚类。对于 O(n²) 和 O(n) 内存方法，请尝试 CLINK。但根据我的经验，你需要多次运行这个算法，在打乱的数据上，以获得一个好的解决方案。

【讨论】：