Sklearn k-means 聚类加权，确定每个特征的最佳样本权重？

如何解决Sklearn k-means 聚类加权，确定每个特征的最佳样本权重？

sklearn 中的 K-means 聚类，簇的数量是预先知道的（它是 2）。 有多种特点。特征值最初没有分配任何权重，即它们被同等对待。然而，任务是为每个特征分配自定义权重，以获得最佳的聚类分离。 如何确定每个特征的最佳样本权重 (sample_weight)，以便获得两个聚类的最佳分离？ 如果这对于 k-means 或 sklearn 是不可能的，我对任何替代聚类解决方案感兴趣，关键是我需要自动确定多变量特征的适当权重的方法，以最大限度地分离聚类。

解决方法

同时，我实现了以下内容：分别按每个组件进行聚类，然后分别计算每个组件（特征）的轮廓分数、calinski harabasz 分数、dunn 分数和 inverse davies bouldin 分数。然后将这些分数缩放到相同的量级，然后将它们 PCA 到 1 个特征。这为每个组件产生了权重。这种方法似乎产生了合理的结果。我想更好的方法是全因子实验 (DOE)，但这种简单的方法似乎也能产生令人满意的结果。