python - HDBSCAN 和近似预测的问题

Question

我想使用 HDBSCAN 聚类技术来预测异常值。我已经训练了我的模型来优化参数，但是，当我对新数据应用近似预测时，我得到了原始模型中不同的集群和标签。我将在这里解释过程流程。

我有一个看起来像这样的数据集:



我应该注意到这个数据集有我人为添加的异常值，目的是优化参数。然后，我申请:

clusterer = hdbscan.HDBSCAN(min_cluster_size=10, gen_min_span_tree=True, 
                            cluster_selection_epsilon=0.1,min_samples=1,allow_single_cluster=True, prediction_data=True, leaf_size=30)
clusterer.fit(X_scaled)

获取三个簇(包括异常值-1簇):



在这里您可以看到聚类的样子:



在此之后，我创建了一个名为“new_observation”的数据框，它实际上是从原始数据集中获取的一些随机观察结果，我应用了:

test_labels, strengths = hdbscan.approximate_predict(clusterer, new_observation)
test_labels

在这里，我的测试标签看起来像: array([ -1, 56, 150, -1])

这意味着从这些观察中，它检测到两个异常值，以及分配给我没有的集群的两个观察。

此外，看看绘图，如:

from matplotlib import cm
cmap = cm.get_cmap('Set1')
plt.scatter(x='wind_speed',y='temperature',data=X_scaled, c=clusterer.labels_, cmap=cmap)
plt.scatter(x='wind_speed',y='temperature',data=new_observation, c=test_labels, cmap=cmap, s=120)
plt.show()

我们可以观察到我们在不应该有的地方有异常值。

我真的不知道近似预测是如何进行我的聚类，但它似乎不起作用，有人可以帮我吗？？？

谢谢!!!!

Answer 1

我也有同样的问题。删除 cluster_selection_epsilon 作为参数，仅使用 min_samples 和 min_cluster_size 来调整聚类。它对我有用。