如何使用弯头方法"SOM"自组织地图获得最佳K？

Question

我正在尝试使用SOM对我的数据进行聚类，首先我想得到最好的K，但我需要一条线或其他东西来检测图上的最佳K。我试着使用KElbowVisualizer((，但它总是显示一个错误：

YellowbrickTypeError：提供的模型不是聚类估计器；请尝试分类器或回归分数可视化工具！

这是我的代码：

from sklearn_som.som import SOM
som = SOM(m = 1, n = i, dim = data.shape[1])
visualizer = KElbowVisualizer(som, k = (1,11))
visualizer.fit(data)
visualizer.show()

我也使用了matplotlib中的普通Plot((，但我看不到Best k，我的代码：

inertia = []
for i in range (1,31):
som = SOM(m = 1, n = i, dim = data.shape[1])
som.fit_predict(data)
inertia.append(som.inertia_)
plt.plot(range(1,31), inertia)
plt.title('elbow method for SOM')
plt.xlabel('number of clusters')
plt.ylabel('WCSS')
plt.show()

这是我从plot((得到的图

那么，请问我如何在情节中或通过使用代码来做到这一点？

Answer 1

我刚刚找到了问题的最佳解决方案。我决定把它贴在这里。可能是别人需要它。

from kneed import KneeLocator

解决方案就在这里只需将此库与matplotlib库一起使用

实现是这样的：

inertia = []
for i in range (1,31):
som = SOM(m = 1, n = i, dim = x_lda_train.shape[1])
som.fit_predict(x_lda_train)
inertia.append(som.inertia_)
# identify the knee by using the kneelocator function
kneeloc1 = KneeLocator(range(1,11), wcss, curve='convex', direction='decreasing')
plt.plot(range(1,31), inertia)
plt.title('elbow method for SOM')
plt.xlabel('number of clusters')
plt.ylabel('WCSS')
# print it by using the vlines
plt.vlines(kneeloc1.knee, plt.ylim()[0], plt.ylim()[1], linestyles='dashed')
plt.show()
# you can see this also as just a number by printing it
print(kneeloc1.knee)

有关更多信息，您可以查看文档：参观https://kneed.readthedocs.io/en/stable/parameters.html