锐客网

  1. 首页 > 睿知 > it技术 > >

聚类python函数 python进行聚类( 三 )

IT技术数据


运行该示例符合训练数据集上的模型，并预测数据集中每个示例的群集 。然后创建一个散点图，并由其指定的群集着色 。在这种情况下，尽管需要更多的调整，但是找到了合理的分组 。
使用DBSCAN集群识别出具有集群的数据集的散点图
7.K均值
K-均值聚类可以是最常见的聚类算法，并涉及向群集分配示例，以尽量减少每个群集内的方差 。
它是通过 K-均值类实现的，要优化的主要配置是“ n _ clusters ”超参数设置为数据中估计的群集数量 。下面列出了完整的示例 。
运行该示例符合训练数据集上的模型，并预测数据集中每个示例的群集 。然后创建一个散点图，并由其指定的群集着色 。在这种情况下 ， 可以找到一个合理的分组，尽管每个维度中的不等等方差使得该方法不太适合该数据集 。
使用K均值聚类识别出具有聚类的数据集的散点图
8.Mini-Batch
K-均值Mini-Batch K-均值是 K-均值的修改版本，它使用小批量的样本而不是整个数据集对群集质心进行更新，这可以使大数据集的更新速度更快，并且可能对统计噪声更健壮 。
它是通过 MiniBatchKMeans 类实现的，要优化的主配置是“ n _ clusters ”超参数，设置为数据中估计的群集数量 。下面列出了完整的示例 。
运行该示例符合训练数据集上的模型，并预测数据集中每个示例的群集 。然后创建一个散点图，并由其指定的群集着色 。在这种情况下，会找到与标准 K-均值算法相当的结果 。
带有最小批次K均值聚类的聚类数据集的散点图
【聚类python函数 python进行聚类】9.均值漂移聚类
均值漂移聚类涉及到根据特征空间中的实例密度来寻找和调整质心 。
它是通过 MeanShift 类实现的，主要配置是“带宽”超参数 。下面列出了完整的示例 。
运行该示例符合训练数据集上的模型，并预测数据集中每个示例的群集 。然后创建一个散点图 ， 并由其指定的群集着色 。在这种情况下，可以在数据中找到一组合理的群集 。
具有均值漂移聚类的聚类数据集散点图
10.OPTICSOPTICS
聚类（ OPTICS 短于订购点数以标识聚类结构）是上述 DBSCAN 的修改版本 。
它是通过 OPTICS 类实现的 ， 主要配置是“ eps ”和“ min _ samples ”超参数 。下面列出了完整的示例 。
运行该示例符合训练数据集上的模型，并预测数据集中每个示例的群集 。然后创建一个散点图，并由其指定的群集着色 。在这种情况下，我无法在此数据集上获得合理的结果 。
使用OPTICS聚类确定具有聚类的数据集的散点图
11.光谱聚类
光谱聚类是一类通用的聚类方法，取自线性线性代数 。
它是通过 Spectral 聚类类实现的，而主要的 Spectral 聚类是一个由聚类方法组成的通用类，取自线性线性代数 。要优化的是“ n _ clusters ”超参数，用于指定数据中的估计群集数量 。下面列出了完整的示例 。
运行该示例符合训练数据集上的模型 ， 并预测数据集中每个示例的群集 。然后创建一个散点图，并由其指定的群集着色 。在这种情况下，找到了合理的集群 。
使用光谱聚类聚类识别出具有聚类的数据集的散点图
12.高斯混合模型
高斯混合模型总结了一个多变量概率密度函数，顾名思义就是混合了高斯概率分布 。它是通过 Gaussian Mixture 类实现的，要优化的主要配置是“ n _ clusters ”超参数，用于指定数据中估计的群集数量 。下面列出了完整的示例 。
运行该示例符合训练数据集上的模型，并预测数据集中每个示例的群集 。然后创建一个散点图 ， 并由其指定的群集着色 。在这种情况下，我们可以看到群集被完美地识别 。这并不奇怪，因为数据集是作为 Gaussian 的混合生成的 。

推荐阅读


上一篇：postgre转义，post词

下一篇：区块链地推，区块链怎么推广话术