哪种机器学习算法最适合用于对一维数值特征（标量值）进行聚类？是桦木，光谱聚类，k均值，DBSCAN...还是别的什么？
所有这些方法都更适合多变量数据。除了历史上用于一维数据的 k 均值外，它们在设计时都考虑到了多元问题，并且没有一个针对一维数据的特定情况进行了很好的优化。
对于一维数据，请使用核密度估计。KDE 在 1D 中是一个很好的技术，具有强大的统计支持，并且很难用于多维聚类。
看看 K 均值聚类算法。该算法非常适合对一维特征向量进行聚类。但 K 意味着当训练数据集中存在异常值时，聚类算法不能很好地工作，在这种情况下，您可以使用一些高级机器学习算法。
我建议在为您的数据集和问题陈述实现机器学习算法（分类、聚类等）之前，您可以使用 Weka 工具包来检查哪种算法最适合您的问题陈述。Weka工具包是大量机器学习和数据挖掘算法的集合，可以轻松实现给定的问题。确定哪种算法最适合您的问题后，您可以修改或编写自己的算法实现。通过调整它，您甚至可以实现更高的准确性。你可以从这里下载weka。