我有一个群集问题，可以用这种方式总结：
我在3D空间中有N个粒子
每个粒子可以与不同数量的其他粒子相互作用
每次互动都有其优势
我不知道先验集群的数量
我没有倾斜的样品（应在无监督的情况下）
输出：我想得到：
簇数
每个粒子成为簇的一部分的概率（能够删除未明确分配的粒子）
我想直接从我的Java代码中调用集群器。
题：
哪种集群器最适合我的问题？
我应该如何格式化我的数据？
我应该使用3D定位信息来补充交互信息吗？
我如何获得每个粒子的结果？
我对weka非常陌生，但是从网上可以找到：
SOM可以解决我的问题
这是一个多实例问题，但我可以找到任何显示如何创建关系数据的示例。 SOM是否支持关系属性？
谢谢你的帮助。
珍诺特
最佳答案
当涉及集群时，Weka非常“有限”。它只有很少的聚类算法，而且非常有限。我不确定是否可以将交互强度添加到任何Weka聚类算法中。
您可能想看看ELKI。它具有比Weka更高级的聚类算法，并且非常灵活。例如，您可以轻松定义自己的距离函数（Tutorial），并将其用于任何基于距离的聚类算法中。
选择合适的聚类算法无济于事。您需要尝试一些并尝试不同的参数。您首先应该尝试回答的关键问题是：什么对您有用？
您已经开始提出其中一些问题。例如，您是否只想使用交互强度，还是只包含位置信息。但是由于我不知道您要实现什么，所以我无法告诉您如何实现。
一定要看看DBSCAN和OPTICS算法（尤其是对于OPTICS，不要在Weka中使用它。它速度慢，不完整且无法维护！）。如果这对您的任务有意义，那么也许可以开始阅读其Wikipedia文章。这就是为什么我认为它们对您有帮助的原因：
他们不需要知道集群的数量（与k均值和EM集群不同）
他们需要一个“最小点数”参数，该参数本质上是一个“最小簇大小”；它可以控制结果的粒度。增加它以获得更少和更大的群集。
他们可以使用任意距离或相似性函数（例如，交互强度）。对于DBSCAN，您需要设置一个认为重要的阈值，对于OPTICS则没有必要。
接下来，如果它们对您的用例有意义，那么我可能会将交互强度数据与OPTICS一起使用，并尝试对集群进行Xi提取。 （Weka没有Xi提取）。或者，也许先看看OPTICS图，看看您的相似性和MinPts参数是否真正产生了OPTICS所需的“谷”。
DBSCAN更快，但是您需要修复距离阈值。如果您的数据集非常大，则可能要从样本开始使用OPTICS，然后确定一些epsilon值，并使用这些值在整个数据集上运行DBSCAN。
不过，请从此处开始阅读，以了解这对您的任务是否有意义：
https://en.wikipedia.org/wiki/DBSCAN#Basic_idea