sklearn聚类算法Kmeans

概述

聚类算法是一种无监督学习算法，也就是说它不需要标签,只需要大量的特征就可以把数据集聚类，然后聚类在自己给他贴标签。 这里Kmeans的具体原理不作详述。

案例

数据生成

通过sklearn自带的make_blobs函数可以生成聚类所需的数据集，注意，所生成的数据集是几个分簇。

from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt
X, y = make_blobs(n_samples=500,n_features=2,centers=4,random_state=1)
fig, ax1 = plt.subplots(1)
ax1.scatter(X[:, 0], X[:, 1],marker='o',s=8)
plt.show()

上面是聚类前的图像，其中X是一个二维数组，每行有一个点的横坐标和纵坐标，y是已经给好的分类，是一个一维的数组，代表不同数据所在的簇。，下图是实际按不同簇分开的数据

聚类

聚类依然是通过

• 类的实例化
• fit()函数
• 可以直接同.labels_或.fit_predict得到分类结果

  from sklearn.cluster import KMeans
  cluster = KMeans(n_clusters = 3, random_state = 0)
  cluster = cluster.fit(X)
  y_pred = cluster.labels_
  #y_pred = cluster.fit_predict(X)

  所得到的y_pred是一个一维矩阵，包含了每一个点对应的类分类，分别为0,1,2

类的质心

centroid = cluster.cluster_centers_

centroid == [[-7.09306648, -8.10994454], [-1.54234022, 4.43517599], [-8.0862351 , -3.5179868 ]]代表所分三类的质心。可以说这个点的特征最能代表这一个分类

聚类的评估

Inertia指每个样本点到其中心点的距离之和

inertia = cluster.inertia_

但似乎对于某些细长的类来说表现显然不太好，所以用轮廓系数来评估。

from sklearn.metrics import silhouette_score
silhouette_score(X,y_pred)

可视化

color = ["red","pink","orange","gray"]
fig, ax1 = plt.subplots(1)
for i in range(3):
    ax1.scatter(X[y_pred==i, 0], X[y_pred==i, 1]
     ,marker='o'
     ,s=8
     ,c=color[i]
     )
ax1.scatter(centroid[:,0],centroid[:,1]
     ,marker="x"
     ,s=15
     ,c="black")
plt.show()

那几个黑叉叉就是质心

分成4类会怎么样

会更合理