clustering

# 时间序列聚类 Aeon 提供了适配时间序列数据的聚类算法，包含专门的距离度量和平均方法。 ## 分区算法 适配时间序列的标准 k-means/k-medoids： - `TimeSeriesKMeans` - 带有时间距离度量（DTW, Euclidean 等）的 K-means - `TimeSeriesKMedoids` - 使用实际时间序列作为聚类中心 - `TimeSeriesKShape` - 基于形状的聚类算法 - `TimeSeriesKernelKMeans` - 用于非线性模式的核方法变体 **适用场景**：已知聚类数量，且预期聚类形状为球形时。 ## 大数据集方法 针对大型集合的高效聚类： - `TimeSeriesCLARA` - 带有采样的聚类大型应用 - `TimeSeriesCLARANS` - CLARA 的随机搜索变体 **适用场景**：数据集对于标准 k-medoids 来说太大，需要可扩展性时。 ## 弹性距离聚类 专门用于基于对齐的相似度： - `KASBA` - 带有平移不变弹性平均的 K-means - `ElasticSOM` - 使用弹性距离的自组织映射 **适用场景**：时间序列具有时间偏移或扭曲时。 ## 谱方法 基于图的聚类： - `KSpectralCentroid` - 带有质心计算的谱聚类 **适用场景**：非凸聚类形状，需要基于图的方法时。 ## 深度学习聚类 基于自动编码器的神经网络聚类： - `AEFCNClusterer` - 全卷积自动编码器 - `AEResNetClusterer` - 残差网络自动编码器 - `AEDCNNClusterer` - 膨胀 CNN 自动编码器 - `AEDRNNClusterer` - 膨胀 RNN 自动编码器 - `AEBiGRUClusterer` - 双向 GRU 自动编码器 - `AEAttentionBiGRUClusterer` - 注意力增强型 BiGRU 自动编码器 **适用场景**：大规模数据集，需要学习到的表示或处理复杂模式时。 ## 基于特征的聚类 在聚类前转换到特征空间： - `Catch22Clusterer` - 基于 22 个规范特征进行聚类 - `SummaryClusterer` - 使用摘要统计 - `TSFreshClusterer` - 自动化的 tsfresh 特征 **适用场景**：原始时间序列信息量不足，需要可解释特征时。 ## 组合 构建自定义聚类工作流： - `ClustererPipeline` - 将转换器与聚类器串联 ## 平均方法 计算时间序列的聚类中心： - `mean_average` - 算术平均 - `ba_average` - 带有 DTW 的重心平均 - `kasba_average` - 平移不变平均 - `shift_invariant_average` - 通用平移不变方法 **适用场景**：需要代表性中心时。