Set di dati tipico: 120-200 righe, 15 classi.
È noto che le righe sono ordinate per classe. Ciò che non si sa è dove si trovano le "recinti" tra le classi.
Così com'è, ovvero senza tenere conto dell'ordine delle righe, LCA classifica correttamente circa il 94% delle righe. Il mio intuito è che se sapessi come dire all'algoritmo che le righe sono raggruppate per classe in input, saremmo al 100%.
Visivo, nel caso in cui il mio utilizzo di "raggruppato per" non fosse chiaro:
Corretto sarebbe questo:
1a
1a
1a
1a
1a
1b
1b
1b
1b
1b
1b
1b
1b
1c
1c
1c
1c
1c
1c
1c
Tutte le righe 1a saranno sempre vicine in termini di ordine di riga, e tutte le righe 1b, ecc.
Attualmente, a volte ricevo:
1a
1a
1a
1c
1c
1b
1b
1b
1b
1b
1b
1b
1b
1c
1c
1c
1c
1c
1c
1c
Idee?
Potenzialmente, potrei creare una colonna con Row() come valore, ma la mia preoccupazione è che la maggior parte delle colonne di clustering abbia valori di tipo 'class'. Per 15 classi, ogni colonna in uso potrebbe avere tra 2 e 8 valori univoci. Row() avrà 120 valori univoci, il che sembra un jolly nel mix.
