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approximate_predict时，我得到了与原始模型中不同的聚类和标签。我将在这里解释流程。

我有一个数据集，如下所示：

​

​

我应该注意到，这个数据集有我人工添加的异常值，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)

获取三个集群(包括离群值-1集群)：

​

​

在这里，您可以看到集群的外观：

​

​

在此之后，我创建了一个名为"new_observation“的数据帧，它实际上是从原始数据集中随机获取的一些观察结果，并应用：

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

这里，我的测试标签如下: array( -1，56,150，-1)

这意味着从这些观察值中，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值。

此外，请看一下绘制过程，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有不应该有的异常值。

我真的不知道approximate_predict是如何做我的集群，但它似乎不工作，有人可以帮助我？

谢谢！

Answer 1

我也有同样的问题。删除cluster_selection_epsilon作为参数，只使用min_samples和min_cluster_size来调优集群。这对我很管用。