使用 Scikit-Learn 生成高维数据集
Generating high dimensional datasets with Scikit-Learn
我正在使用 Mean Shift 聚类算法，该算法基于数据集的核密度估计。我想生成一个大的、高维的数据集，我认为 Scikit-Learn 函数 make_blobs 会很合适。但是当我尝试生成一个 100 万个点的 8 维数据集时，我最终几乎每个点都被视为一个单独的集群。
我正在生成标准偏差为 1 的斑点，然后将 Mean Shift 的带宽设置为相同的值（我认为这是有道理的，对吧？）。对于二维数据集，这产生了很好的结果，但对于更高的维度，我认为我 运行 陷入维度的诅咒，因为点之间的距离变得太大而无法进行有意义的聚类。
有人 tips/tricks 了解如何获得适合（类似）Mean Shift 聚类的优质高维数据集吗？ （还是我哪里做错了？（这当然是一个很好的可能性））
聚类的标准差不是 1。
你有 8 个维度，每个维度的 stddev 为 1，所以你的总标准差为 sqrt(8) 或类似值。
由于带宽问题，核密度估计在高维数据中效果不佳。
我正在使用 Mean Shift 聚类算法，该算法基于数据集的核密度估计。我想生成一个大的、高维的数据集，我认为 Scikit-Learn 函数 make_blobs 会很合适。但是当我尝试生成一个 100 万个点的 8 维数据集时，我最终几乎每个点都被视为一个单独的集群。
我正在生成标准偏差为 1 的斑点，然后将 Mean Shift 的带宽设置为相同的值（我认为这是有道理的，对吧？）。对于二维数据集，这产生了很好的结果，但对于更高的维度，我认为我 运行 陷入维度的诅咒，因为点之间的距离变得太大而无法进行有意义的聚类。
有人 tips/tricks 了解如何获得适合（类似）Mean Shift 聚类的优质高维数据集吗？ （还是我哪里做错了？（这当然是一个很好的可能性））
聚类的标准差不是 1。
你有 8 个维度，每个维度的 stddev 为 1，所以你的总标准差为 sqrt(8) 或类似值。
由于带宽问题，核密度估计在高维数据中效果不佳。