第六章 聚类模型

聚类是什么:聚类是无监督学习。是将相似的样本分组的过程,每个组称为一个簇,样本没有标签。

聚类的应用:天气特征、信息检索(搜索引擎)

聚类的方法:1.基于相似度的聚类方法,使用的是m*n相似度矩阵或距离矩阵;2.基于特征的聚类方法,使用的是n*d的特征数据X;1的优势:能把不同领域的数据相似度的度量融合进去,甚至可以考虑加入核函数来度量原始数据;2的优势:直接用原始数据,避免因度量距离而丢失某些信息。

1.K-Means聚类

算法原理

K-means算法是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧氏距离作为相似度测度,它是求对应某一初始聚类中心向量V最优分类,使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。

算法过程

1)从N个文档随机选取K个文档作为质心

2)对剩余的每个文档测量其到每个质心的距离,并把它归到最近的质心的类

3)重新计算已经得到的各个类的质心

4)迭代2~3步直至新的质心与原质心相等或小于指定阈值,算法结束

具体如下:

输入:k, data[n];

(1) 选择k个初始中心点,例如c[0]=data[0],…c[k-1]=data[k-1];

(2) 对于data[0]….data[n],分别与c[0]…c[k-1]比较,假定与c[i]差值最少,就标记为i;

(3) 对于所有标记为i点,重新计算c[i]={ 所有标记为i的data[j]之和}/标记为i的个数;

(4) 重复(2)(3),直到所有c[i]值的变化小于给定阈值。

如何选取K值最优

手肘法原理

SSE=\sum_{i=1}^k\sum_{p\in C_{i} }^~|P-m_{i} |^2

SSE为误差平方和,C_{i} 为第i个簇,P是C_{i} 中的样本点,m_{i} C_{i} 的质心,C_{i} 为所有样本的均值。SSE越小,聚类的效果越好。

关键代码:

import pandas as pd

from sklearn.cluster import KMeans

import matplotlib.pyplot as plt

SSE = []

for k in range(1,9):

    teenager_cluster_model = KMeans(n_clusters = k)#构造聚类器

    teenager_cluster_model.fit(teenager_sns_zscore)

    SSE.append(teenager_cluster_model.inertia_)#estimator.inertia_获取聚类准则的总和

X = range(1,9)

plt.xlabel('k')

plt.ylabel('SSE')

plt.plot(X,SSE,'-o')

plt.show()

轮廓系数法

 S=\frac{b-a}{max(a,b)} ,a越小,b越大,效果越好

最近簇的定义:c_{j} =arg(min \frac{1}{n} \sum\nolimits_{a}^b |P-x_{i} |^2)

代码

Scores = []  # 存放轮廓系数

for k in range(2, 9):

    estimator = KMeans(n_clusters=k)  # 构造聚类器

    estimator.fit(np.array(mdl[['Age', 'Gender', 'Degree']]))

    Scores.append(silhouette_score(np.array(mdl[['Age', 'Gender', 'Degree']]), estimator.labels_, metric='euclidean'))

X = range(2, 9)

plt.xlabel('k')

plt.ylabel('轮廓系数')

plt.plot(X, Scores, 'o-')

plt.show()


2.层次聚类

实验原理:https://www.cnblogs.com/zongfa/p/9344769.html

https://blog.csdn.net/sinat_29957455/article/details/80146093

https://blog.csdn.net/qq_32284189/article/details/81302182

关键代码:

def tree(X, labelture):

    # row_clusters = linkage(pdist(df, metric='euclidean'), method='complete')  # 使用抽秘籍距离矩阵

    row_clusters = linkage(X, method='complete', metric='euclidean')

    print (pd.DataFrame(row_clusters, columns=['row label1', 'row label2', 'distance', 'no. of items in clust.'],

                        index=['cluster %d' % (i + 1) for i in range(row_clusters.shape[0])]))

    # 层次聚类树

    row_dendr = dendrogram(row_clusters, labels=labelture)

    plt.tight_layout()

    plt.ylabel('Euclidean distance')

    plt.show()

3.谱聚类

https://www.sogou.com/link?url=hedJjaC291P3yGwc7N55kLSc2ls_Ks2xuhK8zoHiSmEsBhAHv_p0nzh3ZfoXRJBg

https://mp.weixin.qq.com/s?src=11&timestamp=1572660720&ver=1949&signature=ZH131bZ82S3cOmNYG3bgOQ8O3bBGWJ0GglsIjlXddxp0UjnFhZxeMMBRO-rIJBX3-yR4Md4h3ZU5ymjXEyZpIJcrh8wOuybWRYOfA7tHbGJvnEXUoELIRkmQ1-rJnp8K&new=1

# spectralClustering聚类算法

y_pred=cluster.SpectralClustering(n_clusters=2,affinity="nearest_neighbors").fit_predict(noisy_circles[0])

plt.scatter(noisy_circles[0][:,0],noisy_circles[0][:,1],marker='.',c=y_pred)

plt.title("spectralClustering")

plt.show()


4.基于密度的聚类DBSCAN

https://www.sogou.com/link?url=hedJjaC291OfPyaFZYFLI4KQWvqt63NBQgDhIHr5guXAv-KV-mr96Q..

from sklearn import metrics

def draw(m_kmeans,X,y_pred,n_clusters):

    centers = m_kmeans.cluster_centers_

    print(centers)

    plt.scatter(X[:, 0], X[:, 1], c=y_pred, s=50, cmap='viridis')

    #中心点(质心)用红色标出

    plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.5)

    print("Calinski-Harabasz score:%lf"%metrics.calinski_harabaz_score(X, y_pred) )

    plt.title("K-Means (clusters = %d)"%n_clusters,fontsize=20)

m_kmeans.fit(X)

KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,

    n_clusters=4, n_init=10, n_jobs=None, precompute_distances='auto',

    random_state=None, tol=0.0001, verbose=0)

y_pred = m_kmeans.predict(X)

draw(m_kmeans,X,y_pred,4)

5.Meanshift聚类

https://mp.weixin.qq.com/s?src=11&timestamp=1572661953&ver=1949&signature=Bnx8rlLPbwOXrRceZwCwYfJqO1yoJWCKp6dkG0Iqi4-TmFmU7jXGSJiDcN2bCjhGTMXIDXDqF1r0QZhAyEgwogN4FsHyUZkySzNWqOGBiM6lgbr8*Lw4MtQSzPN6aMbg&new=1

https://mp.weixin.qq.com/s?src=11&timestamp=1572661953&ver=1949&signature=Ru4MV-JtuoTVTShxiYjUfTKzptqP-k01BjZDaL0vwOwlF83sUqBtNsu2nAR2-Z0f40eeK*9YA6rcJNxAj7g3IUO8qlR0bTOjNLb0iP9MWdilDHvhqVLDJBhvgTO1BDDa&new=1

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,743评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,296评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,285评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,485评论 1 283
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,581评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,821评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,960评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,719评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,186评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,516评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,650评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,329评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,936评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,757评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,991评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,370评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,527评论 2 349

推荐阅读更多精彩内容