如何在MClust聚类过程中固定簇ID避免编号随机翻转

解决方案 #

MClust作为无监督聚类方法，输出的簇ID本身没有固定含义，迭代时出现标签翻转是正常现象，可通过以下两种方案固定输出格式：

方案1：固定随机种子（适合单环境复现） #

在运行聚类代码前设置统一的随机种子，同一R环境下每次运行MClust的初始化逻辑完全一致，即可得到固定的簇ID输出：

set.seed(123) # 可自定义任意数值，所有数据集运行时保持统一即可
i = 2
print(paste("Number of clusters =", i))
cluster_model1 <- Mclust(cc[2:6], G=i)

方案2：基于规则重映射标签（适合跨环境、多数据集的稳定场景） #

完全不受随机种子、软件版本影响，你可以根据自己的需求自定义标签映射规则，示例如下：

规则1：以首样本标签为锚点（适配你要求的2 1 2 1 1 1格式）

强制让第一个样本的簇ID固定为2，另一类自动翻转：

raw_cls <- cluster_model1$classification
# 若首样本标签为1则整体翻转
if (raw_cls[1] == 1) {
  fixed_cls <- ifelse(raw_cls == 1, 2, 1)
} else {
  fixed_cls <- raw_cls
}
# 输出固定格式的标签
head(fixed_cls)

规则2：以特征均值为锚点（更通用的稳定规则）

比如规定ea变量均值更高的簇固定为簇1，更低的为簇2：

# 计算各簇ea均值
cls_ea <- tapply(cc$ea, cluster_model1$classification, mean)
# 生成映射规则
map <- setNames(c(1,2), names(sort(cls_ea, decreasing = TRUE)))
# 重映射标签
fixed_cls <- map[as.character(cluster_model1$classification)]

两种方案都可以解决标签翻转的问题，如果你需要处理10个插补数据集，更推荐用方案2，不会因为不同运行环境的差异导致结果不一致。

内容的提问来源于stack exchange，提问作者Misha