Я искал scipy и sklearn для алгоритмов кластеризации для конкретной проблемы, которая у меня есть. Мне нужен какой-то способ охарактеризовать популяцию N частиц в k групп, где k не обязательно знать, и в дополнение к этому не известны априорные длины связывания (аналогично этомувопрос).

Я пробовал Kmeans, который хорошо работает, если вызнать сколько кластеров вы хотите. Я пробовал dbscan, который плохо работает, если вырассказать это характерная шкала длины, на которой перестать искать (или начинать искать) кластеры. Проблема в том, что у меня есть потенциально тысячи таких скоплений частиц, и я не могу тратить время на то, чтобы рассказать алгоритмам kmeans / dbscan, с чего они должны исходить.

Вот пример того, что dbscan может найти:

Вы можете видеть, что на самом деле здесь есть две отдельные популяции, хотя, регулируя фактор эпсилона (параметр макс. Расстояние между соседними кластерами), я просто не могу заставить его видеть эти две популяции частиц.

Есть ли другие алгоритмы, которые будут работать здесь? Я ищу минимальную информацию заранее - другими словами, я бы хотел, чтобы алгоритм мог принимать «умные» решения о том, что может составлять отдельный кластер.