建議收藏！10 種 Python 聚類算法完整操作示例

聚類或聚類分析是無監(jiān)督學習問題。它通常被用作數(shù)據(jù)分析技術，用于發(fā)現(xiàn)數(shù)據(jù)中的有趣模式，例如基于其行為的客戶群。有許多聚類算法可供選擇，對于所有情況，沒有單一的最佳聚類算法。相反，最好探索一系列聚類算法以及每種算法的不同配置。在本教程中，你將發(fā)現(xiàn)如何在 python 中安裝和使用頂級聚類算法。完成本教程后，你將知道：

10年積累的做網(wǎng)站、成都網(wǎng)站設計經(jīng)驗，可以快速應對客戶對網(wǎng)站的新想法和需求。提供各種問題對應的解決方案。讓選擇我們的客戶得到更好、更有力的網(wǎng)絡服務。我雖然不認識你，你也不認識我。但先網(wǎng)站制作后付款的網(wǎng)站建設流程，更有昆都侖免費網(wǎng)站建設讓你可以放心的選擇與我們合作。

聚類分析，即聚類，是一項無監(jiān)督的機器學習任務。它包括自動發(fā)現(xiàn)數(shù)據(jù)中的自然分組。與監(jiān)督學習（類似預測建模）不同，聚類算法只解釋輸入數(shù)據(jù)，并在特征空間中找到自然組或群集。

群集通常是特征空間中的密度區(qū)域，其中來自域的示例（觀測或數(shù)據(jù)行）比其他群集更接近群集。群集可以具有作為樣本或點特征空間的中心(質心)，并且可以具有邊界或范圍。

聚類可以作為數(shù)據(jù)分析活動提供幫助，以便了解更多關于問題域的信息，即所謂的模式發(fā)現(xiàn)或知識發(fā)現(xiàn)。例如：

聚類還可用作特征工程的類型，其中現(xiàn)有的和新的示例可被映射并標記為屬于數(shù)據(jù)中所標識的群集之一。雖然確實存在許多特定于群集的定量措施，但是對所識別的群集的評估是主觀的，并且可能需要領域專家。通常，聚類算法在人工合成數(shù)據(jù)集上與預先定義的群集進行學術比較，預計算法會發(fā)現(xiàn)這些群集。

有許多類型的聚類算法。許多算法在特征空間中的示例之間使用相似度或距離度量，以發(fā)現(xiàn)密集的觀測區(qū)域。因此，在使用聚類算法之前，擴展數(shù)據(jù)通常是良好的實踐。

一些聚類算法要求您指定或猜測數(shù)據(jù)中要發(fā)現(xiàn)的群集的數(shù)量，而另一些算法要求指定觀測之間的最小距離，其中示例可以被視為“關閉”或“連接”。因此，聚類分析是一個迭代過程，在該過程中，對所識別的群集的主觀評估被反饋回算法配置的改變中，直到達到期望的或適當?shù)慕Y果。scikit-learn 庫提供了一套不同的聚類算法供選擇。下面列出了10種比較流行的算法：

每個算法都提供了一種不同的方法來應對數(shù)據(jù)中發(fā)現(xiàn)自然組的挑戰(zhàn)。沒有最好的聚類算法，也沒有簡單的方法來找到最好的算法為您的數(shù)據(jù)沒有使用控制實驗。在本教程中，我們將回顧如何使用來自 scikit-learn 庫的這10個流行的聚類算法中的每一個。這些示例將為您復制粘貼示例并在自己的數(shù)據(jù)上測試方法提供基礎。我們不會深入研究算法如何工作的理論，也不會直接比較它們。讓我們深入研究一下。

在本節(jié)中，我們將回顧如何在 scikit-learn 中使用10個流行的聚類算法。這包括一個擬合模型的例子和可視化結果的例子。這些示例用于將粘貼復制到您自己的項目中，并將方法應用于您自己的數(shù)據(jù)。

1.庫安裝

首先，讓我們安裝庫。不要跳過此步驟，因為你需要確保安裝了最新版本。你可以使用 pip Python 安裝程序安裝 scikit-learn 存儲庫，如下所示：

接下來，讓我們確認已經(jīng)安裝了庫，并且您正在使用一個現(xiàn)代版本。運行以下腳本以輸出庫版本號。

運行該示例時，您應該看到以下版本號或更高版本。

2.聚類數(shù)據(jù)集

我們將使用 make _ classification ()函數(shù)創(chuàng)建一個測試二分類數(shù)據(jù)集。數(shù)據(jù)集將有1000個示例，每個類有兩個輸入要素和一個群集。這些群集在兩個維度上是可見的，因此我們可以用散點圖繪制數(shù)據(jù)，并通過指定的群集對圖中的點進行顏色繪制。這將有助于了解，至少在測試問題上，群集的識別能力如何。該測試問題中的群集基于多變量高斯，并非所有聚類算法都能有效地識別這些類型的群集。因此，本教程中的結果不應用作比較一般方法的基礎。下面列出了創(chuàng)建和匯總合成聚類數(shù)據(jù)集的示例。

運行該示例將創(chuàng)建合成的聚類數(shù)據(jù)集，然后創(chuàng)建輸入數(shù)據(jù)的散點圖，其中點由類標簽（理想化的群集）著色。我們可以清楚地看到兩個不同的數(shù)據(jù)組在兩個維度，并希望一個自動的聚類算法可以檢測這些分組。

已知聚類著色點的合成聚類數(shù)據(jù)集的散點圖接下來，我們可以開始查看應用于此數(shù)據(jù)集的聚類算法的示例。我已經(jīng)做了一些最小的嘗試來調(diào)整每個方法到數(shù)據(jù)集。3.親和力傳播親和力傳播包括找到一組最能概括數(shù)據(jù)的范例。

它是通過 AffinityPropagation 類實現(xiàn)的，要調(diào)整的主要配置是將“ 阻尼 ”設置為0.5到1，甚至可能是“首選項”。下面列出了完整的示例。

運行該示例符合訓練數(shù)據(jù)集上的模型，并預測數(shù)據(jù)集中每個示例的群集。然后創(chuàng)建一個散點圖，并由其指定的群集著色。在這種情況下，我無法取得良好的結果。

數(shù)據(jù)集的散點圖，具有使用親和力傳播識別的聚類

4.聚合聚類

聚合聚類涉及合并示例，直到達到所需的群集數(shù)量為止。它是層次聚類方法的更廣泛類的一部分，通過 AgglomerationClustering 類實現(xiàn)的，主要配置是“ n _ clusters ”集，這是對數(shù)據(jù)中的群集數(shù)量的估計，例如2。下面列出了完整的示例。

運行該示例符合訓練數(shù)據(jù)集上的模型，并預測數(shù)據(jù)集中每個示例的群集。然后創(chuàng)建一個散點圖，并由其指定的群集著色。在這種情況下，可以找到一個合理的分組。

使用聚集聚類識別出具有聚類的數(shù)據(jù)集的散點圖

5.BIRCHBIRCH

聚類（ BIRCH 是平衡迭代減少的縮寫，聚類使用層次結構)包括構造一個樹狀結構，從中提取聚類質心。

它是通過 Birch 類實現(xiàn)的，主要配置是“ threshold ”和“ n _ clusters ”超參數(shù)，后者提供了群集數(shù)量的估計。下面列出了完整的示例。

運行該示例符合訓練數(shù)據(jù)集上的模型，并預測數(shù)據(jù)集中每個示例的群集。然后創(chuàng)建一個散點圖，并由其指定的群集著色。在這種情況下，可以找到一個很好的分組。

使用BIRCH聚類確定具有聚類的數(shù)據(jù)集的散點圖

6.DBSCANDBSCAN

聚類（其中 DBSCAN 是基于密度的空間聚類的噪聲應用程序）涉及在域中尋找高密度區(qū)域，并將其周圍的特征空間區(qū)域擴展為群集。

它是通過 DBSCAN 類實現(xiàn)的，主要配置是“ eps ”和“ min _ samples ”超參數(shù)。下面列出了完整的示例。

運行該示例符合訓練數(shù)據(jù)集上的模型，并預測數(shù)據(jù)集中每個示例的群集。然后創(chuàng)建一個散點圖，并由其指定的群集著色。在這種情況下，盡管需要更多的調(diào)整，但是找到了合理的分組。

使用DBSCAN集群識別出具有集群的數(shù)據(jù)集的散點圖

7.K均值

K-均值聚類可以是最常見的聚類算法，并涉及向群集分配示例，以盡量減少每個群集內(nèi)的方差。

它是通過 K-均值類實現(xiàn)的，要優(yōu)化的主要配置是“ n _ clusters ”超參數(shù)設置為數(shù)據(jù)中估計的群集數(shù)量。下面列出了完整的示例。

運行該示例符合訓練數(shù)據(jù)集上的模型，并預測數(shù)據(jù)集中每個示例的群集。然后創(chuàng)建一個散點圖，并由其指定的群集著色。在這種情況下，可以找到一個合理的分組，盡管每個維度中的不等等方差使得該方法不太適合該數(shù)據(jù)集。

使用K均值聚類識別出具有聚類的數(shù)據(jù)集的散點圖

8.Mini-Batch

K-均值Mini-Batch K-均值是 K-均值的修改版本，它使用小批量的樣本而不是整個數(shù)據(jù)集對群集質心進行更新，這可以使大數(shù)據(jù)集的更新速度更快，并且可能對統(tǒng)計噪聲更健壯。

它是通過 MiniBatchKMeans 類實現(xiàn)的，要優(yōu)化的主配置是“ n _ clusters ”超參數(shù)，設置為數(shù)據(jù)中估計的群集數(shù)量。下面列出了完整的示例。

運行該示例符合訓練數(shù)據(jù)集上的模型，并預測數(shù)據(jù)集中每個示例的群集。然后創(chuàng)建一個散點圖，并由其指定的群集著色。在這種情況下，會找到與標準 K-均值算法相當?shù)慕Y果。

帶有最小批次K均值聚類的聚類數(shù)據(jù)集的散點圖

9.均值漂移聚類

均值漂移聚類涉及到根據(jù)特征空間中的實例密度來尋找和調(diào)整質心。

它是通過 MeanShift 類實現(xiàn)的，主要配置是“帶寬”超參數(shù)。下面列出了完整的示例。

運行該示例符合訓練數(shù)據(jù)集上的模型，并預測數(shù)據(jù)集中每個示例的群集。然后創(chuàng)建一個散點圖，并由其指定的群集著色。在這種情況下，可以在數(shù)據(jù)中找到一組合理的群集。

具有均值漂移聚類的聚類數(shù)據(jù)集散點圖

10.OPTICSOPTICS

聚類（ OPTICS 短于訂購點數(shù)以標識聚類結構）是上述 DBSCAN 的修改版本。

它是通過 OPTICS 類實現(xiàn)的，主要配置是“ eps ”和“ min _ samples ”超參數(shù)。下面列出了完整的示例。

運行該示例符合訓練數(shù)據(jù)集上的模型，并預測數(shù)據(jù)集中每個示例的群集。然后創(chuàng)建一個散點圖，并由其指定的群集著色。在這種情況下，我無法在此數(shù)據(jù)集上獲得合理的結果。

使用OPTICS聚類確定具有聚類的數(shù)據(jù)集的散點圖

11.光譜聚類

光譜聚類是一類通用的聚類方法，取自線性線性代數(shù)。

它是通過 Spectral 聚類類實現(xiàn)的，而主要的 Spectral 聚類是一個由聚類方法組成的通用類，取自線性線性代數(shù)。要優(yōu)化的是“ n _ clusters ”超參數(shù)，用于指定數(shù)據(jù)中的估計群集數(shù)量。下面列出了完整的示例。

運行該示例符合訓練數(shù)據(jù)集上的模型，并預測數(shù)據(jù)集中每個示例的群集。然后創(chuàng)建一個散點圖，并由其指定的群集著色。在這種情況下，找到了合理的集群。

使用光譜聚類聚類識別出具有聚類的數(shù)據(jù)集的散點圖

12.高斯混合模型

高斯混合模型總結了一個多變量概率密度函數(shù)，顧名思義就是混合了高斯概率分布。它是通過 Gaussian Mixture 類實現(xiàn)的，要優(yōu)化的主要配置是“ n _ clusters ”超參數(shù)，用于指定數(shù)據(jù)中估計的群集數(shù)量。下面列出了完整的示例。

運行該示例符合訓練數(shù)據(jù)集上的模型，并預測數(shù)據(jù)集中每個示例的群集。然后創(chuàng)建一個散點圖，并由其指定的群集著色。在這種情況下，我們可以看到群集被完美地識別。這并不奇怪，因為數(shù)據(jù)集是作為 Gaussian 的混合生成的。

使用高斯混合聚類識別出具有聚類的數(shù)據(jù)集的散點圖

在本文中，你發(fā)現(xiàn)了如何在 python 中安裝和使用頂級聚類算法。具體來說，你學到了：

python數(shù)據(jù)分析-聚類分析（轉載）

聚類分析是一類將數(shù)據(jù)所對應的研究對象進行分類的統(tǒng)計方法。這一類方法的共同特點是，事先不知道類別的個數(shù)與結構；進行分析的數(shù)據(jù)是表明對象之間的相似性或相異性的數(shù)據(jù)，將這些數(shù)據(jù)看成對對象“距離”遠近的一種度量，將距離近的對象歸入一類，不同類對象之間的距離較遠。

[if !supportLineBreakNewLine]

[endif]

聚類分析根據(jù)對象的不同分為Q型聚類分析和R型聚類分析，其中，Q型聚類是指對樣本的聚類，R型聚類是指對變量的聚類。本節(jié)主要介紹Q型聚類。

一、距離和相似系數(shù)

1.1 、距離 在聚類過程中，相距較近的樣本點傾向于歸為一類，相距較遠的樣本點應歸屬于不同的類。最常用的是Minkowski距離。當各變量的單位不同或變異性相差很大時，不應直接采用Minkowski距離，而應先對各變量的數(shù)據(jù)做標準化處理，然后用標準化后的數(shù)據(jù)計算距離。使用SciPy庫spatial模塊下的distance子模塊可以計算距離，使用該子模塊下的pdist函數(shù)可以計算n維空間中觀測值之間的距離，其語法格式如下：

獲取更多知識，前往前往我的wx ————公z號 （程式解說）

原文來自 https://

聚類算法之K均值算法(k-means)的Python實現(xiàn)

K-means算法是硬聚類算法，是典型的基于原型的目標函數(shù)聚類方法的代表，它是數(shù)據(jù)點到原型的某種距離作為優(yōu)化的目標函數(shù)，利用函數(shù)求極值的方法得到迭代運算的調(diào)整規(guī)則。K-means算法以歐式距離作為相似度測度，它是求對應某一初始聚類中心向量V最優(yōu)分類，使得評價指標J最小。算法采用誤差平方和準則函數(shù)作為聚類準則函數(shù)。

通常，人們根據(jù)樣本間的某種距離或者相似性來定義聚類，即把相似的（或距離近的）樣本聚為同一類，而把不相似的（或距離遠的）樣本歸在其他類。

所謂聚類問題，就是給定一個元素集合D，其中每個元素具有n個可觀察屬性，使用某種算法將D劃分成k個子集，要求每個子集內(nèi)部的元素之間相異度盡可能低，而不同子集的元素相異度盡可能高。其中每個子集叫做一個簇。

k-means算法是一種很常見的聚類算法，它的基本思想是：通過迭代尋找k個聚類的一種劃分方案，使得用這k個聚類的均值來代表相應各類樣本時所得的總體誤差最小。

看起來還不錯

分析一個公司的客戶分類，這樣可以對不同的客戶使用不同的商業(yè)策略，或是電子商務中分析商品相似度，歸類商品，從而可以使用一些不同的銷售策略，等等。

分享標題：python聚類函數(shù),聚類Python
新聞來源：http://chinadenli.net/article8/hedjip.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供定制開發(fā)、面包屑導航、做網(wǎng)站、營銷型網(wǎng)站建設、、品牌網(wǎng)站設計

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉載內(nèi)容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)