Hierarchicalclustering 层次聚类
《机器学习》—周志华
1、什么是层次聚类
2、层次聚类的距离运算方式
3、伪代码
4、代码+结果
5、数据
1、层次聚类是试图在不同层次对数据集进行划分,从而形成树形的聚类结构,数据集的划分可分为采用“自底向上”的聚类策略,也可采用“自顶向下”的分拆策略。
说白了就是一开始就把所有的样例作为一个簇,然后计算分别计算两个簇的距离,找出两个距离最近的两个簇,然后将两个簇合二为一,不断重复这个过程,知道我们得到簇的个数等于要求分类的个数为止。
如图所示,每次都减少一个簇数。
聚类的三种计算距离的方式:
1、 Single Linkage:最小距离,两个集合的最相近的两个点的距离作为两个簇的距离
缺点:两个“大局”上较远,因为极限的两个点错误的进行结合
2、 Complete Linkage:最大距离,两个集合的最远的两个点的距离作为两个簇的距离
缺点:和1正好极端相反
3、 Average Linkage:平均距离,两个集合的质心距离作为两个簇的的距离
缺点:过大过小点会影响总体结果
优化:中位点
算法伪代码:
将n个点作为n个簇,最终分为k个簇
While n > k:
找出最小距离的两个簇
两个簇合二为一
n -= 1
代码:
# coding=utf-8
from numpy import *
import numpy as np
import pylab as pl
#处理数据
def loadDataSet(fileName):
dataMat = []
fr = open(fileName)
for line in fr.readlines():
curLine = line.strip().split('\t')
fltLine = map(float,curLine)
dataMat.append(fltLine)
x, y = shape(dataMat)
for i in range(x):
dataMat[i].append(i+1)
dataMat[i] = mat(dataMat[i])
return dataMat
#计算两集合的距离
def dist(vecA, vecB):
#将两个矩阵分别求均值作为中心
vecA = mat(np.mean(vecA, axis=0))
vecB = mat(np.mean(vecB, axis=0))
#print vecA, vecB
return np.linalg.norm(vecA[:,:-1]-vecB[:, :-1])
#层次聚类算法
def Hierarchical(dataSet, n, k):
p = n;
posi = 0;
posj = 0;
#保证留下k个集合
while p>k:
mindist = 100
for i in range(0, p-1):
for j in range(i+1, p):
len = dist(dataSet[i], dataSet[j])
if len < mindist:
mindist = len
posi = i
posj = j
print "最近的两个集合:"
print dataSet[posi]
print dataSet[posj]
#构建新矩阵合并两个最近的集合
data = np.vstack((dataSet[posi],dataSet[posj]))
del dataSet[posi]
del dataSet[posj-1]
print "聚类合并:", data
#将新矩阵存入列表中
dataSet.append(mat(data))
p -= 1
return dataSet
#打印图形
def show(dataSet, k, n, m):
for i in range(0, k):
data = dataSet[i]
pl.plot(data[:, 0], data[:, 1], 'v')
pl.show()
def main():
K = 3;
dataSet = loadDataSet(r"C:\Users\l\Desktop\testSet2.txt")
print dataSet
n = len(dataSet)
m = len(dataSet[0])
dataSet = Hierarchical(dataSet, n,K)
show(dataSet, K, n, m)
if __name__ == '__main__':
main();
数据:
1.658985 4.285136
-3.453687 3.424321
4.838138 -1.151539
-5.379713 -3.362104
0.972564 2.924086
-3.567919 1.531611
0.450614 -3.302219
-3.487105 -1.724432
2.668759 1.594842
-3.156485 3.191137
3.165506 -3.999838
-2.786837 -3.099354
4.208187 2.984927
-2.123337 2.943366
0.704199 -0.479481
-0.392370 -3.963704
2.831667 1.574018
-0.790153 3.343144
2.943496 -3.357075
-3.195883 -2.283926
2.336445 2.875106
-1.786345 2.554248
2.190101 -1.906020
-3.403367 -2.778288
1.778124 3.880832
-1.688346 2.230267
2.592976 -2.054368
-4.007257 -3.207066
2.257734 3.387564
-2.679011 0.785119
0.939512 -4.023563
-3.674424 -2.261084
2.046259 2.735279
-3.189470 1.780269
4.372646 -0.822248
-2.579316 -3.497576
1.889034 5.190400
-0.798747 2.185588
2.836520 -2.658556
-3.837877 -3.253815
2.096701 3.886007
-2.709034 2.923887
3.367037 -3.184789
-2.121479 -4.232586
2.329546 3.179764
-3.284816 3.273099
3.091414 -3.815232
-3.762093 -2.432191
3.542056 2.778832
-1.736822 4.241041
2.127073 -2.983680
-4.323818 -3.938116
3.792121 5.135768
-4.786473 3.358547
2.624081 -3.260715
-4.009299 -2.978115
2.493525 1.963710
-2.513661 2.642162
1.864375 -3.176309
-3.171184 -3.572452
2.894220 2.489128
-2.562539 2.884438
3.491078 -3.947487
-2.565729 -2.012114
3.332948 3.983102
-1.616805 3.573188
2.280615 -2.559444
-2.651229 -3.103198
2.321395 3.154987
-1.685703 2.939697
3.031012 -3.620252
-4.599622 -2.185829
4.196223 1.126677
-2.133863 3.093686
4.668892 -2.562705
-2.793241 -2.149706
2.884105 3.043438
-2.967647 2.848696
4.479332 -1.764772
-4.905566 -2.911070