python中聚类的函数 python 聚类函数( 三 )


数据集的散点图,具有使用亲和力传播识别的聚类
4.聚合聚类
聚合聚类涉及合并示例 , 直到达到所需的群集数量为止 。它是层次聚类方法的更广泛类的一部分,通过 AgglomerationClustering 类实现的 , 主要配置是“ n _ clusters ”集 , 这是对数据中的群集数量的估计,例如2 。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 。
使用聚集聚类识别出具有聚类的数据集的散点图
5.BIRCHBIRCH
聚类( BIRCH 是平衡迭代减少的缩写,聚类使用层次结构)包括构造一个树状结构,从中提取聚类质心 。
它是通过 Birch 类实现的 , 主要配置是“ threshold ”和“ n _ clusters ”超参数,后者提供了群集数量的估计 。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 , 可以找到一个很好的分组 。
使用BIRCH聚类确定具有聚类的数据集的散点图
6.DBSCANDBSCAN
聚类(其中 DBSCAN 是基于密度的空间聚类的噪声应用程序)涉及在域中寻找高密度区域 , 并将其周围的特征空间区域扩展为群集 。
它是通过 DBSCAN 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,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
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 。

推荐阅读