一、简介

 这里较为详细介绍了聚类分析的各种算法和评价指标，本文将简单介绍如何用python里的库实现它们。

二、k-means算法

 和其它机器学习算法一样，实现聚类分析也可以调用sklearn中的接口。

from sklearn.cluster import KMeans

2.1 模型参数

KMeans(# 聚类中心数量，默认为8n_clusters=8,*,# 初始化方式，默认为k-means++，可选‘random’，随机选择初始点，即k-meansinit='k-means++',# k-means算法会随机运行n_init次，最终的结果将是最好的一个聚类结果，默认10n_init=10,# 算法运行的最大迭代次数，默认300max_iter=300,# 容忍的最小误差，当误差小于tol就会退出迭代（算法中会依赖数据本身），默认为0.0001tol=0.0001,# 是否将数据全部放入内存计算，可选{'auto', True, False}，开启时速度更快但是更耗内存# 'auto' : 当n_samples * n_clusters > 12million，不放入内存，否则放入内存，double精度下大概要多用100M的内存precompute_distances='deprecated',# 是否输出详细信息，默认为0verbose=0,# 用于随机产生中心的随机序列random_state=None,# 是否直接在原矩阵上进行计算copy_x=True,# 同时进行计算的核数（并发数），n_jobs用于并行计算每个n_init，如果设置为-1，使用所有CPU，若果设置为1，不并行，如果设置小于-1，使用CPU个数+1+n_jobs个CPUn_jobs='deprecated',# 可选的K-means距离计算算法， 可选{"auto", "full" or "elkan",default="auto"}# full为欧式距离，elkan为使用三角不等式，效率更高，但不支持稀疏矩阵，当为稀疏矩阵时，auto使用full，否则使用elkanalgorithm='auto',
)

2.2 常用模型方法

• fit(X)——对数据X进行聚类
• predict(X)——对新数据X进行类别的预测
• cluster_centers_——获取聚类中心
• labels_——获取训练数据所属的类别，比设置的聚类中心个数少1
• inertia_——获取每个点到聚类中心的距离和
• fit_predict(X)——先对X进行训练并预测X中每个实例的类，等于先调用fit(X)后调用predict(X)，返回X的每个类
• transform(X)——将X进行转换，转换为K列的矩阵，其中每行为一个实例，每个实例包含K个数值（K为传入的类数量），第i列为这个实例到第K个聚类中心的距离
• fit_transform(X)——先进行fit之后进行transform
• score(X)——输入样本（这里的样本不是训练样本，而是其他传入的测试样本）到他们的类中心距离和，然后取负数

2.3 实际例子

# 以two_moons数据为例
from sklearn.datasets import make_blobs
# 生成模拟的二维数据, X.shape——>(100, 2)
X, y = make_blobs(random_state=1)# 设置为三个聚类中心
Kmeans = KMeans(n_clusters=3)
# 训练模型
Kmeans.fit(X)

2.3.1 获取聚类中心：

Kmeans.cluster_centers_

输出：

array([[ -1.4710815 ,   4.33721882],[ -6.58196786,  -8.17239339],[-10.04935243,  -3.85954095]])

2.3.2 获取类别

Kmeans.labels_

输出：我们设置了3个聚类中心，所以输出3个类别。

array([0, 2, 2, 2, 1, 1, 1, 2, 0, 0, 2, 2, 1, 0, 1, 1, 1, 0, 2, 2, 1, 2,1, 0, 2, 1, 1, 0, 0, 1, 0, 0, 1, 0, 2, 1, 2, 2, 2, 1, 1, 2, 0, 2,2, 1, 0, 0, 0, 0, 2, 1, 1, 1, 0, 1, 2, 2, 0, 0, 2, 1, 1, 2, 2, 1,0, 1, 0, 2, 2, 2, 1, 0, 0, 2, 1, 1, 0, 2, 0, 2, 2, 1, 0, 0, 0, 0,2, 0, 1, 0, 0, 2, 2, 1, 1, 0, 1, 0], dtype=int32)

2.3.3 获取每个点到聚类中心的距离和

Kmeans.inertia_

输出：

156.28289251170003

三、mini batch k-means算法

 mini batch k-means的用法和k-means类似。

from sklearn.cluster import MiniBatchKMeans

3.1 模型参数

MiniBatchKMeans(n_clusters=8,*,init='k-means++',max_iter=100,# 每次采用数据集的大小batch_size=100,verbose=0,# 计算训练样本的类compute_labels=True,random_state=None,tol=0.0,# 多少次迭代中质心没有变化，算法终止，默认10次max_no_improvement=10,# 用来候选质心的样本数据集大小，默认为batch_size的三倍init_size=None,# 用不同的初始化质心运行算法的次数。# 这里和KMeans类意义稍有不同，KMeans类里的n_init是从相同训练集数据中随机初始化质心。# 而MiniBatchKMeans类的n_init则是每次用不一样的采样数据集来跑不同的初始化质心运行。默认为3。n_init=3,# 某个类别质心被重新赋值的最大次数比例，为了控制算法的运行复杂度。分母为样本总数。如果取值较高的话算法收敛时间可能会增加，尤其是那些暂时拥有样本数较少的质心。默认是0.01。reassignment_ratio=0.01,
)

四、层次聚类算法

 同样使用sklearn接口

from sklearn.cluster import AgglomerativeClustering

4.1 模型参数

AgglomerativeClustering(# 聚类中心的数量，默认为2n_clusters=2,*,# 用于计算距离。可以为：’euclidean’，’l1’，’l2’，’mantattan’，’cosine’，’precomputed’，# 如果linkage=’ward’，则affinity必须为’euclidean’affinity='euclidean',# 用于缓存输出的结果，默认为不缓存memory=None,connectivity=None,# 通常当训练了n_clusters后，训练过程就会停止，但是如果compute_full_tree=True，则会继续训练从而生成一颗完整的树compute_full_tree='auto',# 计算两个簇之间的距离的方式，可选{'ward', 'complete', 'average', 'single'}# 'ward'：挑选两个簇来合并，使得所有簇中的方差增加最小# 'complete'：将簇中点之间最大距离最小的两个簇合并# 'average'：将簇中所有点之间平均距离最小的两个簇合并# 'single'：将簇中点之间最小距离最小的两个簇合并linkage='ward',# 链接距离阈值，在该阈值以上，簇将不会合并# 如果不为None，那么n_clusters必须是None，而且compute_full_tree必须为Truedistance_threshold=None,# 计算簇之间的距离，可使树状图可视化compute_distances=False,
)

4.2 模型常用方法

• fit(X)——对数据X进行聚类
• labels_——获取训练数据所属的类别，比设置的聚类中心个数少1
• n_leaves_——层次树中的叶子数
• children_——一个大小为[n_samples-1,2]的数组，给出了每个非叶结点中的子节点数量
• fit_predict(X)——先对X进行训练并预测X中每个实例的类，等于先调用fit(X)后调用predict(X)，返回X的每个类，该模型不能对新的数据点进行预测
• n_components_——一个整数，给出了连接图中的连通分量的估计

4.3 实际例子

from sklearn.cluster import AgglomerativeClustering
from sklearn.datasets import make_blobsX, y = make_blobs(random_state=1)
agg = AgglomerativeClustering(n_clusters=3)
agg.fit_predict(X)

输出：对数据训练并预测

array([0, 2, 2, 2, 1, 1, 1, 2, 0, 0, 2, 2, 1, 0, 1, 1, 1, 0, 2, 2, 1, 2,1, 0, 2, 1, 1, 0, 0, 1, 0, 0, 1, 0, 2, 1, 2, 2, 2, 1, 1, 2, 0, 2,2, 1, 0, 0, 0, 0, 2, 1, 1, 1, 0, 1, 2, 2, 0, 0, 2, 1, 1, 2, 2, 1,0, 1, 0, 2, 2, 2, 1, 0, 0, 2, 1, 1, 0, 2, 0, 2, 2, 1, 0, 0, 0, 0,2, 0, 1, 0, 0, 2, 2, 1, 1, 0, 1, 0])

4.3.1 获取层次树中的叶子数

agg.n_leaves_

输出：

100

4.3.2 获取每个非叶结点中的子节点数量

agg.children_

输出：

array([[ 33,  68],[ 35,  39],[ 18,  21],[ 30,  92],[ 54,  58],[ 49, 100],[ 26,  55],[ 23,  27],[ 20,  45],[  3,  82],[  1,  71],[ 16,  52],[ 24,  38],[ 22,  77],[  9,  59],[ 44,  69],[ 40, 106],[ 15,  90],[ 36,  94],[ 53,  61],[ 72, 108],[ 37,  43],[ 17,  78],[ 60,  70],[ 50, 102],[ 76,  98],[107, 114],[ 56,  93],[  7, 110],[ 63, 112],[  8,  66],[ 11, 109],[ 42,  84],[  5,   6],[ 19, 121],[ 97, 104],[ 91, 105],[ 79,  88],[ 46,  73],[113, 116],[ 89, 132],[ 85,  87],[ 10,  41],[ 29,  51],[ 12,  96],[ 34, 118],[ 32, 144],[115, 123],[ 31,  48],[ 62, 125],[ 13, 130],[ 81, 134],[103, 135],[  0,  28],[ 75, 142],[120, 133],[ 65, 117],[ 47,  99],[127, 137],[101, 139],[122, 136],[ 74, 138],[140, 148],[ 80, 161],[111, 119],[155, 156],[124, 129],[131, 147],[ 64, 151],[141, 157],[ 83,  95],[143, 146],[  2, 168],[ 67, 164],[149, 170],[ 86, 150],[  4,  14],[128, 154],[158, 167],[ 25, 171],[159, 165],[160, 162],[153, 169],[ 57, 145],[126, 152],[163, 184],[166, 177],[173, 180],[178, 183],[175, 185],[174, 187],[176, 179],[172, 188],[181, 189],[186, 192],[190, 191],[182, 193],[194, 195],[196, 197]])

4.3.3 可视化

 目前scikit-learn 没有绘制树状图的功能，但可以利用SciPy轻松生成树状图。SciPy的聚类算法接口与scikit-learn 的聚类算法稍有不同。SciPy提供了一个函数，接受数据数组X并计算出一个链接数组(linkage array)，它对层次聚类的相似度进行编码。然后我们可以将这个链接数组提供给scipy 的dendrogram 函数来绘制树状图。

# 从SciPy中导入dendrogram函数和ward聚类函数
from scipy.cluster.hierarchy import dendrogram, ward
X, y = make_blobs(random_state=0, n_samples=12)# 将ward聚类应用于数据数组X
# SciPy的ward函数返回一个数组，指定执行凝聚聚类时跨越的距离
linkage_array = ward(X)# 现在为包含簇之间距离的linkage_array绘制树状图
dendrogram(linkage_array)# 在树中标记划分成两个簇或三个簇的位置
ax = plt.gca()
bounds = ax.get_xbound()
ax.plot(bounds, [7.25, 7.25], '--', c='k')
ax.plot(bounds, [4, 4], '--', c='k')ax.text(bounds[1], 7.25, ' two clusters', va='center', fontdict={'size': 15})
ax.text(bounds[1], 4, ' three clusters', va='center', fontdict={'size': 15})
plt.xlabel("Sample index")
plt.ylabel("Cluster distance")

输出：

五、DBSCN算法

from sklearn.cluster import DBSCAN

5.1 模型参数

DBSCAN(# 数据点的邻域距离阈值（半径）eps=0.5,*,# 数据点半径为eps的邻域中数据点个数的最小个数min_samples=5,# 可使用'euclidean', 'manhattan','chebyshev', 'minkowski”'metric='euclidean',metric_params=None,# 最近邻搜索算法, 可选'auto', 'ball_tree', 'kd_tree', 'brute'# 'brute'是使用蛮力搜索，一般使用'auto'即可，会自动拟合最好的最优算法# 如果数据量很大或者特征也很多，用'auto'建树时间可能会很长，效率不高，建议选择KD树实现'kd_tree'# 如果发现‘kd_tree’速度比较慢或者已经知道样本分布不是很均匀时，可以尝试用‘ball_tree’# 如果输入样本是稀疏的，无论你选择哪个算法最后实际运行的都是‘brute’。algorithm='auto',# 使用KD树或者球树时， 停止建子树的叶子节点数量的阈值# 这个值越小，则生成的KD树或者球树就越大，层数越深，建树时间越长，反之，则生成的KD树或者球树会小，层数较浅，建树时间较短# 这个值一般只影响算法的运行速度和使用内存大小，因此一般情况下可以不管它。leaf_size=30,p=None,n_jobs=None,
)

5.2 模型常用方法

• fit(X)——对数据X进行聚类
• labels_——获取训练数据所属的类别，噪声点为-1
• fit_predict(X)——先对X进行训练并预测X中每个实例的类，等于先调用fit(X)后调用predict(X)，返回X的每个类，该模型不能对新的数据点进行预测

六、聚类指标

6.1 RI 与 ARI

# RI 兰德指数
from sklearn.metrics.cluster import rand_score# ARI 调整兰德指数
from sklearn.metrics.cluster import adjusted_rand_score

6.1.1 模型参数

rand_score(labels_true, labels_pred)
adjusted_rand_score(labels_true, labels_pred)

6.1.2 示例

rand_score([0, 0, 1, 1], [1, 1, 0, 0])
adjusted_rand_score([0, 0, 1, 1], [1, 1, 0, 0])

输出：

1.0
1.0

6.2 NMI

from sklearn.metrics.cluster import normalized_mutual_info_score

6.2.1 模型参数

normalized_mutual_info_score(labels_true,labels_pred,*,average_method='arithmetic',
)

6.2.2 示例

normalized_mutual_info_score([0, 0, 1, 1], [1, 1, 0, 0])

输出：

1.0

6.3 Jaccard系数

from sklearn.metrics import jaccard_score

6.3.1 模型参数

jaccard_score(y_true,y_pred,*,labels=None,pos_label=1,average='binary',sample_weight=None,zero_division='warn',
)

6.3.2 示例

jaccard_score([0, 0, 1, 1], [0, 0, 1, 1])
jaccard_score([0, 0, 1, 1], [1, 1, 0, 0])

输出：在使用前，需要转化为相同的类别标识

1.0
0.0

6.4 轮廓系数

from sklearn.metrics.cluster import silhouette_score

6.4.1 模型参数

silhouette_score(X,labels,*,metric='euclidean',# 在数据的随机子集上计算轮廓系数时要使用的样本大小sample_size=None,random_state=None,**kwds,
)

6.4.2 示例

silhouette_score(X, agg.labels_)

输出：agg.labels_为用AgglomerativeClustering算法对数据集X进行的聚类

0.5811444237627902

6.5 CH指标

from sklearn.metrics.cluster import calinski_harabasz_score

6.5.1 模型参数

calinski_harabasz_score(X, labels)

6.5.2 示例

calinski_harabasz_score(X, agg.labels_)

输出：

26.268277404270318

用python实现聚类分析相关推荐

1. python进行聚类分析：鸢尾花（iris）代码

   python进行聚类分析:鸢尾花(iris)代码 基本信息 代码实现 基础函数 Kemans MiniBatchKMeans MeanShift AgglomerativeClustering DBS ...

2. python 文本聚类分析案例——从若干文本中聚类出一些主题词团

   python 文本聚类分析案例 说明 摘要 1.结巴分词 2.去除停用词 3.生成tfidf矩阵 4.K-means聚类 5.获取主题词 / 主题词团 说明 实验要求:对若干条文本进行聚类分析,最终得 ...

3. python k-means聚类分析_python进行数据分析

   1.获取数据 1.1 三种常见的类型 列表(List):Python中最基本的数据结构,列表的数据项通过逗号分隔,可以为不同的数据类型,例如:list1 = ['physics', 'chemistr ...

4. python文本聚类分析_python机器学习kmeans算法——对文本进行聚类分析

   #!/usr/bin/env python#-*- coding: utf-8 -*-#@File : kmeans.py#@Author: 田智凯#@Date : 2020/3/19#@Desc : ...

5. Python KMeans聚类分析

   今天用python实现了一下简单的聚类分析,顺便熟悉了numpy数组操作和绘图的一些技巧,在这里做个记录. from pylab import * from sklearn.cluster impor ...

6. python数据分析-聚类分析

   大家好,聚类分析是一类将数据所对应的研究对象进行分类的统计方法.这一类方法的共同特点是,事先不知道类别的个数与结构:进行分析的数据是表明对象之间的相似性或相异性的数据,将这些数据看成对对象" ...

7. python层次聚类分析_SPSS聚类分析：系统聚类分析

   一.概念:(分析-分类-系统聚类) 系统聚类法常称为层次聚类法.分层聚类法,也是聚类分析中使用广泛的一种方法.它有两种类型,一是对研究对象本身进 行分类,称为Q型聚类:另一是对研究对象的观察指标进行分 ...

8. python做聚类分析_Python聚类分析-摩拜用户群分类

   提到数据分析方法,可以分为三大类:回归分析.分类分析.聚类分析: 回归分析:训练出已知的两个不同的数组间的函数关系,并作出预测: 分类分析:从一组样本中,找出方法作出分类,并对未知参与训练的个体作出预 ...

9. python K-means聚类分析聚类数的选择-肘部法则和轮廓系数

   如何选择kmeans中的k值--肘部法则–Elbow Method和轮廓系数–Silhouette Coefficient

最新文章

1. [文摘20070307]英语表示“走”的20种形式
2. 快速查看linux命令的用法----------TLDR
3. linux guard什么进程,使用linux系统性能监控工具KSysguard监控远端主机介绍
4. 技术动态 | 人工智能开源软件发展现状连载——知识图谱开源软件
5. 使用gatling做压力测试与负载测试
6. mantelhean.test r语言_Meta分析常用教程：R语言
7. [学习][记录] c++语言：从放弃到入门 ＜一＞ c++11新关键字以及引入的新特性
8. 陪学读书会——《定位》第十三章：品牌延伸何时有效
9. java多线程 Semaphore CountDownLatch ScheduledExecutorService
10. Squid代理服务器基础_wuli大世界_新浪博客
11. android 11.0 12.0添加系统字体并且设置为默认字体
12. 跟开涛学shiro练习代码
13. 一人干翻专业机构，27岁华裔小伙一战成名！搞出美国新冠最准预测模型，彭博：Superstar
14. 干5年外包，突然失业了。。。
15. 神经网络作文1000字,我与神经系统作文
16. 智能产品工厂测试软件,人工智能如何帮助工厂做质量检测
17. Edge浏览器默认主页被莫名修改，修复流程分享
18. Java 防SQL注入方法
19. Windows电脑桌面透明云便签怎么自定义设置便签快捷键？
20. MySQL 错误记录 请ctrl+f查找

热门文章

1. 国内各银行间异地汇款手续费对照表
2. 女人四十学计算机有用吗,四十岁的女人，开始学做美容工作，有前途吗
3. Win11安装OBS Studio的详细步骤图文教程
4. 乐影音下载器 建议回复
5. [leetcode]1438. 绝对差不超过限制的最长连续子数组
6. 我数星星...宝宝,你智商差点,就数月亮吧
7. jointJS系列之一：jointJS的的初步使用
8. 华为OD机试Golang解题 - 最快到达医院方式
9. 关于安装mathtype后找不到电脑预装office2016安装路径的问题
10. MT7628路由器工作原理,MT7628处理器相关参数介绍