发布于2021-05-30 18:40 阅读(773) 评论(0) 点赞(20) 收藏(3)
聚类是机器学习算法中“新算法”出现最多、最快的领域。一个重要的原因是聚类不存在客观标准。下面我们分别介绍K-means聚类、DBSCAN算法(密度聚类)、AgglomerativeClustering算法(层次聚类)。
class sklearn.cluster.KMeans(n_clusters=8, *, init='k-means++', n_init=10, max_iter=300, tol=0.0001,
precompute_distances='deprecated', verbose=0, random_state=None, copy_x=True, n_jobs='deprecated', algorithm='auto')
参数介绍:
- ‘k-means++’:该初始化策略选择的初始均值向量相互之间都距离较远,它的效果较好(这个策略一定程度上可以解决K均值算法收敛依赖初始化的均值的问题)
- ‘random’:从数据集中随机选择K个样本作为初始均值向量。
- 或者提供一个数组,数组的形状为(n_clusters.n_features),该数组作为初始均值向量。
- auto’:如果n_samples*n_clusters > 12 million,则不提前计算;
- True:总是提前计算;
- False:总是不提前计算。
- 如果为整数,则它指定了随机数生成器的种子。
- 如果为RandomState实例,则指定了随机数生成器。
- 如果为None,则使用默认的随机数生成器。
- 如果为True,则预计算距离的时候,并不修改原始数据。
- 如果为False,则预计算距离的时候,会修改原始数据用于节省内存;然后当算法结束的时候,会将原始数据返还。但是可能会因为浮点数的表示,会有一些精度误差。
属性介绍:
方法介绍:
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets.samples_generator import make_blobs
from sklearn import cluster
from sklearn.metrics import adjusted_rand_score
# make_blobs函数产生的是分隔的高斯分布的聚类簇
def create_data(centers, num=100, std=0.7):
X, labels_true = make_blobs(n_samples=num, centers=centers, cluster_std=std)
return X, labels_true
# 观察生成点
def plot_data(*data):
X, labels_true = data
labels = np.unique(labels_true)
fig, ax = plt.subplots()
colors = 'rgbyckm'
for i, label in enumerate(labels):
position = labels_true == label
# 散点图
ax.scatter(X[position, 0], X[position, 1], label="cluster %d" % label, color=colors[i % len(colors)])
# 图例位置
ax.legend(loc='best')
ax.set_xlabel("X_0")
ax.set_ylabel("X_1")
ax.set_title('data')
plt.show()
# 考察簇的数量
def test_Kmeans(*data):
X, label_true = data
nums = range(1, 20)
# ARI指数
ARIS = []
Distances = []
for num in nums:
cls = cluster.KMeans(n_clusters=num, init='k-means++')
cls.fit(X)
predicted_labels = cls.predict(X)
# ARI指标
ARIS.append(adjusted_rand_score(label_true, predicted_labels))
# 距离之和
Distances.append(cls.inertia_)
return nums, ARIS, Distances
# 寻找最佳聚类中心
def plot_kmeans(*data):
fig, ax = plt.subplots(1, 2, figsize=(8, 8))
ax[0].plot(nums, ARIS, marker="+")
ax[0].set_xlabel("n_clusters")
ax[0].set_ylabel("ARI")
ax[1].plot(nums, Distances, marker="o")
ax[1].set_xlabel("n_cluster")
ax[1].set_ylabel("Distances")
fig.suptitle("KMeans")
plt.show()
if __name__ == '__main__':
centers = np.asarray([[1, 1], [2, 2], [1, 2], [10, 20]])
# 构造数据
X, labels_true = create_data(centers, num=1000, std=0.5)
# 观察生成点
plot_data(X, labels_true)
nums, ARIS, Distances = test_Kmeans(X, labels_true)
plot_kmeans(nums, ARIS, Distances)
根据ARI指标发现,n_clusters=4时,ARI最大。
密度聚类假设聚类结构能够通过样本分布的紧密程度来确定。它通过一组邻域参数
(
ϵ
,
M
i
n
P
t
s
)
(\epsilon,MinPts)
(ϵ,MinPts)来描述样本分布的紧密程度。
一些属性定义如下:
class sklearn.cluster.DBSCAN(eps=0.5, *, min_samples=5, metric='euclidean', metric_params=None, algorithm='auto',
leaf_size=30, p=None, n_jobs=None)
参数介绍:
- ‘auto’:由算法自动选取合适的算法。
- ‘ball_tree’:用ball树来搜索。
- 'kd_tree ':用kd树来搜索。
- ‘brute’:暴力搜索。
属性介绍:
方法介绍:
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets.samples_generator import make_blobs
from sklearn import cluster
from sklearn.metrics import adjusted_rand_score
# make_blobs函数产生的是分隔的高斯分布的聚类簇
def create_data(centers, num=100, std=0.7):
X, labels_true = make_blobs(n_samples=num, centers=centers, cluster_std=std)
return X, labels_true
# 观察生成点
def plot_data(*data):
X, labels_true = data
labels = np.unique(labels_true)
fig, ax = plt.subplots()
colors = 'rgbyckm'
for i, label in enumerate(labels):
position = labels_true == label
# 散点图
ax.scatter(X[position, 0], X[position, 1], label="cluster %d" % label, color=colors[i % len(colors)])
# 图例位置
ax.legend(loc='best')
ax.set_xlabel("X_0")
ax.set_ylabel("X_1")
ax.set_title('data')
plt.show()
# 考察eps-邻域大小
def test_DBSCAN(*data):
X, label_true = data
epsilons = np.logspace(-1, 1.5)
# ARI指数
ARIS = []
Core_Nums = []
for epsilon in epsilons:
cls = cluster.DBSCAN(eps=epsilon)
cls.fit(X)
predicted_labels = cls.fit_predict(X)
# ARI指标
ARIS.append(adjusted_rand_score(label_true, predicted_labels))
# 核心样本的数量
Core_Nums.append(len(cls.core_sample_indices_))
return epsilons, ARIS, Core_Nums
# 寻找最佳聚类中心
def plot_kmeans(*data):
fig, ax = plt.subplots(1, 2, figsize=(8, 8))
ax[0].plot(epsilons, ARIS, marker="+")
ax[0].set_xlabel(r"$\epsilon$")
ax[0].set_ylabel("ARI")
ax[1].plot(epsilons, Core_Nums, marker="o")
ax[1].set_xlabel(r"$\epsilon$")
ax[1].set_ylabel("Core_Nums")
fig.suptitle("DBSCAN")
plt.show()
if __name__ == '__main__':
centers = np.asarray([[1, 1], [2, 2], [1, 2], [10, 20]])
# 构造数据
X, labels_true = create_data(centers, num=1000, std=0.5)
# 观察生成点
plot_data(X, labels_true)
epsilons, ARIS, Core_Nums = test_DBSCAN(X, labels_true)
plot_kmeans(epsilons, ARIS, Core_Nums)
可以看到ARI指数随着
ϵ
\epsilon
ϵ的增长,先上升后保持平稳,最后断崖式下降。断崖式下降是因为我们产生的训练样本的间距比较小,最远的两个样本点之间的距离不超过30,当
ϵ
\epsilon
ϵ过大时,所有的点都在一个邻域中。
核心样本数量随着
ϵ
\epsilon
ϵ的增长而上升,这是因为随着
ϵ
\epsilon
ϵ的增长,样本点的邻域在扩展,则样本点邻域内的样本会更多,这就产生了更多满足条件的核心样本点。但是样本集中的样本数量有限,因此核心样本点的数量增长到一定数目后会趋于稳定。
层次聚类算法可以在不同层上对数据集进行划分,形成树状的聚类结构。它的基本原理是:开始时将每个对象看成一个簇,然后这些簇根据某些准则(如距离最近)被一步步地合并,就这样不断地合并直到达到预设的聚类簇的个数。
class sklearn.cluster.AgglomerativeClustering(n_clusters=2, *, affinity='euclidean', memory=None, connectivity=None,
compute_full_tree='auto', linkage='ward', distance_threshold=None, compute_distances=False)
参数介绍:
- ‘ward’:单链接single-linkage算法,采用 d m i n d_{min} dmin
- ’ complete ':全链接complete-linkage算法,采用 d m a x d_{max} dmax
- ‘average’:均链接average-linkage算法,采用 d a v g d_{avg} davg 。
属性介绍:
方法介绍:
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets.samples_generator import make_blobs
from sklearn import cluster
from sklearn.metrics import adjusted_rand_score
# make_blobs函数产生的是分隔的高斯分布的聚类簇
def create_data(centers, num=100, std=0.7):
X, labels_true = make_blobs(n_samples=num, centers=centers, cluster_std=std)
return X, labels_true
# 观察生成点
def plot_data(*data):
X, labels_true = data
labels = np.unique(labels_true)
fig, ax = plt.subplots()
colors = 'rgbyckm'
for i, label in enumerate(labels):
position = labels_true == label
# 散点图
ax.scatter(X[position, 0], X[position, 1], label="cluster %d" % label, color=colors[i % len(colors)])
# 图例位置
ax.legend(loc='best')
ax.set_xlabel("X_0")
ax.set_ylabel("X_1")
ax.set_title('data')
plt.show()
# 考察簇的数量与连接方式对聚类效果的影响
def test_AGNES(*data):
X, label_true = data
nums = range(1, 20)
linkages = ['ward', 'complete', 'average']
result = []
for i, linkage in enumerate(linkages):
# ARI指数
ARIS = []
for num in nums:
cls = cluster.AgglomerativeClustering(n_clusters=num, linkage=linkage)
predicted_labels = cls.fit_predict(X)
# ARI指标
ARIS.append(adjusted_rand_score(label_true, predicted_labels))
result.append(ARIS)
return nums, result
# 寻找最佳聚类中心
def plot_kmeans(*data):
fig, ax = plt.subplots(1, 1, figsize=(8, 8))
ax.plot(nums, result[0], marker="+")
ax.plot(nums, result[1], marker="o")
ax.plot(nums, result[2], marker="*")
ax.set_xlabel(r"n_clusters")
ax.set_ylabel("ARI")
fig.suptitle("AGNES")
plt.show()
if __name__ == '__main__':
centers = np.asarray([[1, 1], [2, 2], [1, 2], [10, 20]])
# 构造数据
X, labels_true = create_data(centers, num=1000, std=0.5)
# 观察生成点
plot_data(X, labels_true)
nums, result = test_AGNES(X, labels_true)
plot_kmeans(nums, result)
scikit-learn给出了一份聚类模型参数调整和使用场景的建议,这里介绍如下:
在实际应用中,聚类簇的数量的选取通常结合性能度量指标和具体问题分析。如给出了ARI 随n_clusters 的曲线。我们可以选择曲线上ARI最大值附近的一批n_clusters。然后具体问题具体分析:如果要求每个簇内足够纯净,则倾向于选择较大的n_clusters,即较大的簇数量(极端情况下,每个样本点就是一个簇,则可以保证每个簇都是纯净的)。如果要求尽可能地将相似的样本划归到一个簇中,则倾向于选择较小的n_clusters,即较小的簇数量(极端情况下,我们认为所有的样本点都是相似的,则都划归到一个簇中)。
比如在我们构造的数据中,如果想要每个簇比较纯净,则选择n_clusters=4;如果想要将尽可能相似的样本划归到一类,则选择n_clusters=2
如果对您有帮助,麻烦点赞关注,这真的对我很重要!!!如果需要互关,请评论或者私信!
原文链接:https://blog.csdn.net/weixin_46649052/article/details/117320124
作者:搜嘎皮卡
链接:http://www.phpheidong.com/blog/article/86661/eb0ef19ae21b6e2535b1/
来源:php黑洞网
任何形式的转载都请注明出处,如有侵权 一经发现 必将追究其法律责任
昵称:
评论内容:(最多支持255个字符)
---无人问津也好,技不如人也罢,你都要试着安静下来,去做自己该做的事,而不是让内心的烦躁、焦虑,坏掉你本来就不多的热情和定力
Copyright © 2018-2021 php黑洞网 All Rights Reserved 版权所有,并保留所有权利。 京ICP备18063182号-4
投诉与举报,广告合作请联系vgs_info@163.com或QQ3083709327
免责声明:网站文章均由用户上传,仅供读者学习交流使用,禁止用做商业用途。若文章涉及色情,反动,侵权等违法信息,请向我们举报,一经核实我们会立即删除!