我有一个包含数百万个粒子坐标的数据框，我想用它来训练神经网络。这些粒子构建了单独的簇，这些簇已经被识别和标记；这意味着每个粒子都已分配到其正确的簇（此分配是通过密度估计完成的，但出于我的目的并不那么相关）。 现在的挑战是建立一个网络，在从海量数据中学习后进行这种聚类。数据框中还有一些其他特征，例如簇大小、簇中的粒子数量等。
因为这不是一个分类问题，而是一个集群的识别——挑战我应该使用什么样的神经网络？我在构建这个网络时也遇到了问题：例如，一个 CNN 对图片中是否有狗或猫进行分类，输出显然是二进制的。所以最后一层也只包含两个输出，它们表示为 1 或 0 的概率。但是当我想识别集群时如何实现最后一层呢？
在我的研究过程中，我听说了自组织地图。这些网络能胜任吗？
谢谢
【问题讨论】：
标签： python tensorflow neural-network cluster-analysis
如果您想将聚类视为分类问题，那么您可以尝试训练网络以预测两个点属于同一聚类还是不同聚类。
不过，这并不能最终解决您的问题 - 要对数据进行聚类，此标记需要是可传递的（可能不会），并且您必须标记 n² 对，这很昂贵。
此外，由于您的聚类是基于密度的，您的网络可能需要了解更多数据点来判断应该连接哪些数据点...
【讨论】：
这些粒子构建了单独的簇，这些簇已被识别 并贴上标签；这意味着每个粒子都已分配给它的 正确的集群（这个分配是通过密度估计完成的，但是 出于我的目的，不那么相关）。 现在的挑战是建立一个进行这种聚类的网络 在从海量数据中学习之后。
对我来说听起来很像一个分类问题。图像本身可以在其图像空间中构建集群（例如，维度为 width * height * RGB 的向量空间）。
因为这不是分类问题，而是识别问题 集群的挑战——我应该使用什么样的神经网络？
你有坐标数据，你有标签。从一个简单的全连接单/多层感知器开始，即 vanilla NN，其输出与集群数量和 softmax 激活函数一样多。
互联网上有大量关于深度学习库的博客和教程，例如 keras。
【讨论】：