python中k均值的多次迭代

Question

我有一个大小为 (n_samples, 2) 的数据集 X。它们与 k-means (k=3) 相当一致地形成 3 个集群，我想运行 3-means 10,000 次以验证集群模式的一致性。通过这样做，我得到一个数据框，如：

sample_name | iter1 | iter2 | iter3 | ...
------------|-------|-------|-------|
x1          | 1     | 0     | 1     |
x2          | 1     | 0     | 1     |
x3          | 1     | 0     | 2     |
x4          | 0     | 1     | 2     |
x5          | 0     | 1     | 2     |
x6          | 0     | 1     | 2     |
x7          | 2     | 2     | 0     |
x8          | 2     | 2     | 0     |
x9          | 2     | 2     | 0     |

...以此类推，最多 10,000 次迭代（列），其中 '0'、'1' 和 '2' 是 k-means 分配的集群标签。如示例中所示，数据集群非常好，但是为这些集群赋予的（任意）名称在每次运行时都会发生变化。如何将命名标准化为：

sample_name | iter1 | iter2 | iter3 | ...
------------|-------|-------|-------|
x1          | a     | a     | a     |
x2          | a     | a     | a     |
x3          | a     | a     | b     |
x4          | b     | b     | b     |
x5          | b     | b     | b     |
x6          | b     | b     | b     |
x7          | c     | c     | c     |
x8          | c     | c     | c     |
x9          | c     | c     | c     |

这样我最终可以通过向下迭代行来获得每个 x_i 的集群成员的多数票吗？

Answer 1

您需要重新标记集群，例如在最大重叠时。

有不同的策略。您可以贪婪地尝试通过最大重叠进行匹配，或者您可以使用匈牙利算法。但只需 3 个集群，您就可以采用蛮力方法，只需测试所有 6 种可能的排列，找出最匹配的一种。

由于这个问题，大多数评估措施都会忽略实际标签。他们改为处理点对。