10个最频繁使用的聚类算法 Python 实现（附完整代码）

最新推荐文章于 2024-03-23 18:06:18 发布
最新推荐文章于 2024-03-23 18:06:18 发布
阅读量1.3k 收藏 16
点赞数 1
分类专栏： 机器学习 文章标签： 聚类 python 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_59596937/article/details/128474749
版权

大家好，聚类或聚类分析是无监督学习问题。它通常被用作数据分析技术，用于发现数据中的有趣模式，例如基于其行为的客户群。

有许多聚类算法可供选择，对于所有情况，没有单一的最佳聚类算法。相反，最好探索一系列聚类算法以及每种算法的不同配置。在本教程中，你将发现如何在 python 中安装和使用顶级聚类算法。

文末提供jupyter notebook的完整代码、技术交流。

文章目录

一、聚类

聚类分析，即聚类，是一项无监督的机器学习任务。它包括自动发现数据中的自然分组。与监督学习（类似预测建模）不同，聚类算法只解释输入数据，并在特征空间中找到自然组或群集。

聚类技术适用于没有要预测的类，而是将实例划分为自然组的情况。

—源自：《数据挖掘页：实用机器学习工具和技术》2016年。

群集通常是特征空间中的密度区域，其中来自域的示例（观测或数据行）比其他群集更接近群集。群集可以具有作为样本或点特征空间的中心(质心)，并且可以具有边界或范围。

这些群集可能反映出在从中绘制实例的域中工作的某种机制，这种机制使某些实例彼此具有比它们与其余实例更强的相似性。

—源自：《数据挖掘页：实用机器学习工具和技术》2016年。

聚类可以作为数据分析活动提供帮助，以便了解更多关于问题域的信息，即所谓的模式发现或知识发现。例如：

  • 该进化树可以被认为是人工聚类分析的结果；

  • 将正常数据与异常值或异常分开可能会被认为是聚类问题；

  • 根据自然行为将集群分开是一个集群问题，称为市场细分。

聚类还可用作特征工程的类型，其中现有的和新的示例可被映射并标记为属于数据中所标识的群集之一。虽然确实存在许多特定于群集的定量措施，但是对所识别的群集的评估是主观的，并且可能需要领域专家。通常，聚类算法在人工合成数据集上与预先定义的群集进行学术比较，预计算法会发现这些群集。

聚类是一种无监督学习技术，因此很难评估任何给定方法的输出质量。

—源自：《机器学习页：概率观点》2012。

二、聚类算法

有许多类型的聚类算法。许多算法在特征空间中的示例之间使用相似度或距离度量，以发现密集的观测区域。因此，在使用聚类算法之前，扩展数据通常是良好的实践。

聚类分析的所有目标的核心是被群集的各个对象之间的相似程度（或不同程度）的概念。聚类方法尝试根据提供给对象的相似性定义对对象进行分组。

—源自：《统计学习的要素：数据挖掘、推理和预测》，2016年

一些聚类算法要求您指定或猜测数据中要发现的群集的数量，而另一些算法要求指定观测之间的最小距离，其中示例可以被视为“关闭”或“连接”。因此，聚类分析是一个迭代过程，在该过程中，对所识别的群集的主观评估被反馈回算法配置的改变中，直到达到期望的或适当的结果。scikit-learn 库提供了一套不同的聚类算法供选择。下面列出了10种比较流行的算法：

  1. 亲和力传播

  2. 聚合聚类

  3. BIRCH

  4. DBSCAN

  5. K-均值

  6. Mini-Batch K-均值

  7. Mean Shift

  8. OPTICS

  9. 光谱聚类

  10. 高斯混合

每个算法都提供了一种不同的方法来应对数据中发现自然组的挑战。没有最好的聚类算法，也没有简单的方法来找到最好的算法为您的数据没有使用控制实验。

在本教程中，我们将回顾如何使用来自 scikit-learn 库的这10个流行的聚类算法中的每一个。这些示例将为您复制粘贴示例并在自己的数据上测试方法提供基础。我们不会深入研究算法如何工作的理论，也不会直接比较它们。让我们深入研究一下。

三、聚类算法示例

在本节中，我们将回顾如何在 scikit-learn 中使用10个流行的聚类算法。这包括一个拟合模型的例子和可视化结果的例子。这些示例用于将粘贴复制到您自己的项目中，并将方法应用于您自己的数据。

1、库安装

首先，让我们安装库。不要跳过此步骤，因为你需要确保安装了最新版本。你可以使用 pip Python 安装程序安装 scikit-learn 存储库，如下所示：

sudo pip install scikit-learn

接下来，让我们确认已经安装了库，并且您正在使用一个现代版本。运行以下脚本以输出库版本号。

# 检查 scikit-learn 版本  
import sklearn  
print(sklearn.__version__)

运行该示例时，您应该看到以下版本号或更高版本。

0.22.1

2、聚类数据集

我们将使用 make _ classification ()函数创建一个测试二分类数据集。数据集将有1000个示例，每个类有两个输入要素和一个群集。这些群集在两个维度上是可见的，因此我们可以用散点图绘制数据，并通过指定的群集对图中的点进行颜色绘制。

这将有助于了解，至少在测试问题上，群集的识别能力如何。该测试问题中的群集基于多变量高斯，并非所有聚类算法都能有效地识别这些类型的群集。因此，本教程中的结果不应用作比较一般方法的基础。下面列出了创建和汇总合成聚类数据集的示例。

# 综合分类数据集  
from numpy import where  
from sklearn.datasets import make_classification  
from matplotlib import pyplot  
%matplotlib inline  
  
# 定义数据集  
X, y = make_classification(n_samples=1000,   
                           n_features=2,   
                           n_informative=2,   
                           n_redundant=0,   
                           n_clusters_per_class=1,   
                           random_state=4)  
# 为每个类的样本创建散点图  
for class_value in range(2):  
    # 获取此类的示例的行索引  
    row_ix = where(y == class_value)  
    # 创建这些样本的散布  
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])  
    # 绘制散点图  
pyplot.show()

运行该示例将创建合成的聚类数据集，然后创建输入数据的散点图，其中点由类标签（理想化的群集）着色。我们可以清楚地看到两个不同的数据组在两个维度，并希望一个自动的聚类算法可以检测这些分组。

在这里插入图片描述

图：已知聚类着色点的合成聚类数据集的散点图

接下来，我们可以开始查看应用于此数据集的聚类算法的示例。我已经做了一些最小的尝试来调整每个方法到数据集。

3、亲和力传播

亲和力传播包括找到一组最能概括数据的范例。

我们设计了一种名为“亲和传播”的方法，它作为两对数据点之间相似度的输入度量。在数据点之间交换实值消息，直到一组高质量的范例和相应的群集逐渐出现

—源自：《通过在数据点之间传递消息》2007。

它是通过 AffinityPropagation 类实现的，要调整的主要配置是将“ 阻尼 ”设置为0.5到1，甚至可能是“首选项”。

下面列出了完整的示例。

# 亲和力传播聚类  
from numpy import unique  
from numpy import where  
from sklearn.datasets import make_classification  
from sklearn.cluster import AffinityPropagation  
from matplotlib import pyplot  
# 定义数据集  
X, _ = make_classification(n_samples=1000,   
                           n_features=2,   
                           n_informative=2,   
                           n_redundant=0,   
                           n_clusters_per_class=1,   
                           random_state=4)  
# 定义模型  
model = AffinityPropagation(damping=0.9)  
# 匹配模型  
model.fit(X)  
# 为每个示例分配一个集群  
yhat = model.predict(X)  
# 检索唯一群集  
clusters = unique(yhat)  
# 为每个群集的样本创建散点图  
for cluster in clusters:  
    # 获取此群集的示例的行索引  
    row_ix = where(yhat == cluster)  
    # 创建这些样本的散布  
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])  
# 绘制散点图  
pyplot.show()

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，我无法取得良好的结果。

在这里插入图片描述

图：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。

# 聚合聚类  
from numpy import unique  
from numpy import where  
from sklearn.datasets import make_classification  
from sklearn.cluster import AgglomerativeClustering  
from matplotlib import pyplot  
# 定义数据集  
X, _ = make_classification(n_samples=1000,   
                           n_features=2,   
                           n_informative=2,   
                           n_redundant=0,   
                           n_clusters_per_class=1,   
                           random_state=4)  
# 定义模型  
model = AgglomerativeClustering(n_clusters=2)  
# 模型拟合与聚类预测  
yhat = model.fit_predict(X)  
# 检索唯一群集  
clusters = unique(yhat)  
# 为每个群集的样本创建散点图  
for cluster in clusters:  
    # 获取此群集的示例的行索引  
    row_ix = where(yhat == cluster)  
    # 创建这些样本的散布  
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])  
# 绘制散点图  
pyplot.show()

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。

在这里插入图片描述

图：使用聚集聚类识别出具有聚类的数据集的散点图

5、BIRCH

BIRCH 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。

BIRCH 递增地和动态地群集传入的多维度量数据点，以尝试利用可用资源（即可用内存和时间约束）产生最佳质量的聚类。

—源自：《 BIRCH ：1996年大型数据库的高效数据聚类方法》

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。

# birch聚类  
from numpy import unique  
from numpy import where  
from sklearn.datasets import make_classification  
from sklearn.cluster import Birch  
from matplotlib import pyplot  
# 定义数据集  
X, _ = make_classification(n_samples=1000,   
                           n_features=2,   
                           n_informative=2,   
                           n_redundant=0,  
                           n_clusters_per_class=1,   
                           random_state=4)  
# 定义模型  
model = Birch(threshold=0.01, n_clusters=2)  
# 适配模型  
model.fit(X)  
# 为每个示例分配一个集群  
yhat = model.predict(X)  
# 检索唯一群集  
clusters = unique(yhat)  
# 为每个群集的样本创建散点图  
for cluster in clusters:  
    # 获取此群集的示例的行索引  
    row_ix = where(yhat == cluster)  
    # 创建这些样本的散布  
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])  
# 绘制散点图  
pyplot.show()

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。

在这里插入图片描述

图：使用BIRCH聚类确定具有聚类的数据集的散点图

6、DBSCAN

DBSCAN 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。

…我们提出了新的聚类算法 DBSCAN 依赖于基于密度的概念的集群设计，以发现任意形状的集群。DBSCAN 只需要一个输入参数，并支持用户为其确定适当的值

-源自：《基于密度的噪声大空间数据库聚类发现算法》，1996

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。

# dbscan 聚类  
from numpy import unique  
from numpy import where  
from sklearn.datasets import make_classification  
from sklearn.cluster import DBSCAN  
from matplotlib import pyplot  
# 定义数据集  
X, _ = make_classification(n_samples=1000,   
                           n_features=2,   
                           n_informative=2,   
                           n_redundant=0,   
                           n_clusters_per_class=1,   
                           random_state=4)  
# 定义模型  
model = DBSCAN(eps=0.30, min_samples=9)  
# 模型拟合与聚类预测  
yhat = model.fit_predict(X)  
# 检索唯一群集  
clusters = unique(yhat)  
# 为每个群集的样本创建散点图  
for cluster in clusters:  
    # 获取此群集的示例的行索引  
    row_ix = where(yhat == cluster)  
    # 创建这些样本的散布  
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])  
# 绘制散点图  
pyplot.show()

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。

在这里插入图片描述

图：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。

本文的主要目的是描述一种基于样本将 N 维种群划分为 k 个集合的过程。这个叫做“ K-均值”的过程似乎给出了在类内方差意义上相当有效的分区。

-源自：《关于多元观测的分类和分析的一些方法》1967年

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。

# k-means 聚类  
from numpy import unique  
from numpy import where  
from sklearn.datasets import make_classification  
from sklearn.cluster import KMeans  
from matplotlib import pyplot  
# 定义数据集  
X, _ = make_classification(n_samples=1000,   
                           n_features=2,   
                           n_informative=2,  
                           n_redundant=0,  
                           n_clusters_per_class=1,   
                           random_state=4)  
# 定义模型  
model = KMeans(n_clusters=2)  
# 模型拟合  
model.fit(X)  
# 为每个示例分配一个集群  
yhat = model.predict(X)  
# 检索唯一群集  
clusters = unique(yhat)  
# 为每个群集的样本创建散点图  
for cluster in clusters:  
    # 获取此群集的示例的行索引  
    row_ix = where(yhat == cluster)  
    # 创建这些样本的散布  
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])  
# 绘制散点图  
pyplot.show()

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。

在这里插入图片描述

图：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。

…我们建议使用 k-均值聚类的迷你批量优化。与经典批处理算法相比，这降低了计算成本的数量级，同时提供了比在线随机梯度下降更好的解决方案。

—源自：《Web-Scale K-均值聚类》2010

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。

# mini-batch k均值聚类  
from numpy import unique  
from numpy import where  
from sklearn.datasets import make_classification  
from sklearn.cluster import MiniBatchKMeans  
from matplotlib import pyplot  
# 定义数据集  
X, _ = make_classification(n_samples=1000,   
                           n_features=2,   
                           n_informative=2,   
                           n_redundant=0,  
                           n_clusters_per_class=1,  
                           random_state=4)  
# 定义模型  
model = MiniBatchKMeans(n_clusters=2)  
# 模型拟合  
model.fit(X)  
# 为每个示例分配一个集群  
yhat = model.predict(X)  
# 检索唯一群集  
clusters = unique(yhat)  
# 为每个群集的样本创建散点图  
for cluster in clusters:  
    # 获取此群集的示例的行索引  
    row_ix = where(yhat == cluster)  
    # 创建这些样本的散布  
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])  
# 绘制散点图  
pyplot.show()

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。

在这里插入图片描述

图：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。

对离散数据证明了递推平均移位程序收敛到最接近驻点的基础密度函数，从而证明了它在检测密度模式中的应用。

—源自：《Mean Shift ：面向特征空间分析的稳健方法》，2002

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。

# 均值漂移聚类  
from numpy import unique  
from numpy import where  
from sklearn.datasets import make_classification  
from sklearn.cluster import MeanShift  
from matplotlib import pyplot  
# 定义数据集  
X, _ = make_classification(n_samples=1000,  
                           n_features=2,   
                           n_informative=2,   
                           n_redundant=0,   
                           n_clusters_per_class=1,  
                           random_state=4)  
# 定义模型  
model = MeanShift()  
# 模型拟合与聚类预测  
yhat = model.fit_predict(X)  
# 检索唯一群集  
clusters = unique(yhat)  
# 为每个群集的样本创建散点图  
for cluster in clusters:  
    # 获取此群集的示例的行索引  
    row_ix = where(yhat == cluster)  
    # 创建这些样本的散布  
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])  
# 绘制散点图  
pyplot.show()

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。

在这里插入图片描述

图：具有均值漂移聚类的聚类数据集散点图

10、OPTICS

OPTICS 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。

我们为聚类分析引入了一种新的算法，它不会显式地生成一个数据集的聚类；而是创建表示其基于密度的聚类结构的数据库的增强排序。此群集排序包含相当于密度聚类的信息，该信息对应于范围广泛的参数设置。

—源自：《OPTICS ：排序点以标识聚类结构》，1999

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。

# optics聚类  
from numpy import unique  
from numpy import where  
from sklearn.datasets import make_classification  
from sklearn.cluster import OPTICS  
from matplotlib import pyplot  
# 定义数据集  
X, _ = make_classification(n_samples=1000,   
                           n_features=2,   
                           n_informative=2,   
                           n_redundant=0,   
                           n_clusters_per_class=1,   
                           random_state=4)  
# 定义模型  
model = OPTICS(eps=0.8, min_samples=10)  
# 模型拟合与聚类预测  
yhat = model.fit_predict(X)  
# 检索唯一群集  
clusters = unique(yhat)  
# 为每个群集的样本创建散点图  
for cluster in clusters:  
    # 获取此群集的示例的行索引  
    row_ix = where(yhat == cluster)  
    # 创建这些样本的散布  
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])  
# 绘制散点图  
pyplot.show()

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。

在这里插入图片描述

图：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。

最近在许多领域出现的一个有希望的替代方案是使用聚类的光谱方法。这里，使用从点之间的距离导出的矩阵的顶部特征向量。

—源自：《关于光谱聚类：分析和算法》，2002年

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。

# spectral clustering  
from numpy import unique  
from numpy import where  
from sklearn.datasets import make_classification  
from sklearn.cluster import SpectralClustering  
from matplotlib import pyplot  
# 定义数据集  
X, _ = make_classification(n_samples=1000,   
                           n_features=2,   
                           n_informative=2,   
                           n_redundant=0,  
                           n_clusters_per_class=1,   
                           random_state=4)  
# 定义模型  
model = SpectralClustering(n_clusters=2)  
# 模型拟合与聚类预测  
yhat = model.fit_predict(X)  
# 检索唯一群集  
clusters = unique(yhat)  
# 为每个群集的样本创建散点图  
for cluster in clusters:  
    # 获取此群集的示例的行索引  
    row_ix = where(yhat == cluster)  
    # 创建这些样本的散布  
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])  
# 绘制散点图  
pyplot.show()

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。

在这里插入图片描述

图：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。

# 高斯混合模型  
from numpy import unique  
from numpy import where  
from sklearn.datasets import make_classification  
from sklearn.mixture import GaussianMixture  
from matplotlib import pyplot  
# 定义数据集  
X, _ = make_classification(n_samples=1000,   
                           n_features=2,   
                           n_informative=2,  
                           n_redundant=0,  
                           n_clusters_per_class=1,   
                           random_state=4)  
# 定义模型  
model = GaussianMixture(n_components=2)  
# 模型拟合  
model.fit(X)  
# 为每个示例分配一个集群  
yhat = model.predict(X)  
# 检索唯一群集  
clusters = unique(yhat)  
# 为每个群集的样本创建散点图  
for cluster in clusters:  
    # 获取此群集的示例的行索引  
    row_ix = where(yhat == cluster)  
    # 创建这些样本的散布  
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])  
# 绘制散点图  
pyplot.show()

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。

在这里插入图片描述

图：使用高斯混合聚类识别出具有聚类的数据集的散点图

三、总结

在本教程中，您发现了如何在 python 中安装和使用顶级聚类算法。具体来说，你学到了：

  • 聚类是在特征空间输入数据中发现自然组的无监督问题。

  • 有许多不同的聚类算法，对于所有数据集没有单一的最佳方法。

  • 在 scikit-learn 机器学习库的 Python 中如何实现、适合和使用10种顶级聚类算法

代码&技术交流

源码、数据、技术交流提升，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

方式①、添加微信号：dkl88191，备注：来自CSDN +研究方向
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：10大聚类，即可领取ipynb完整代码

Python数据开发
关注
专栏目录
kmeans聚类的简介和代码（python）
Jason____zhou的博客
12-13 2599
#!/usr/bin/env python # coding=utf-8 import numpy as np import random import matplotlib.pyplot as plt #data:numpy.array dataset #k the number of cluster def k_means(data,k): #random gener
十种常用聚类算法（python完整代码演示）
小刘研CV的博客
09-25 6892
十种常用聚类算法讲解及代码完整实例，包括亲和力传播、聚类聚合、BIRCH、DBSCAN、k-means、.mini-batch K-均值、均值漂移聚类、OPTICS、光谱聚类、高斯混合模型
聚类算法Python代码
07-23
聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。 聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。 聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
经典聚类算法python实现
06-09
包括K-Means，二分K-Means算法，谱聚类算法，高斯混合聚类算法等常用聚类算法实现，并且有注释解释代码、
一文读懂层次聚类（Python代码）
Python数据科学
11-21 1万+
大家好，我是东哥。 本篇想和大家介绍下层次聚类，先通过一个简单的例子介绍它的基本理论，然后再用一个实战案例Python代码实现聚类效果。 首先要说，聚类属于机器学习的无监督学习，而且也分很多种方法，比如大家熟知的有K-means。层次聚类也是聚类中的一种，也很常用。下面我先简单回顾一下K-means的基本原理，然后慢慢引出层次聚类的定义和分层步骤，这样更有助于大家理解。 层次聚类和K-means有什么不同？ K-means 工作原理可以简要概述为： 决定簇数（k） 从数据中随机选取 k 个点作为质心 将所
聚类算法评价指标python实现_聚类算法及其评估指标
weixin_40008339的博客
12-03 2748
聚类(Clustering)-----物以类聚，人以群分。1.Finding groups of objectsObjects similar to each other are in the same groupObjects are different from those in other groups2.Unsupervised LearningNo labelsData driven3....
K-Means文本聚类python实现
05-14
K-Means是一种广泛应用的距离-based聚类算法，它通过迭代过程找到最佳的K个聚类中心，从而将数据点分配到最接近的类别。 首先，让我们了解文本预处理的重要性。在进行聚类前，我们需要清理和转换原始文本数据，以...
python数据挖掘分类聚类回归关联算法代码加样例
01-06
K-means是最常用的聚类算法之一，通过迭代寻找数据点的中心来划分簇。`sklearn`的`KMeans`类提供了K-means的实现。kmedoids算法是另一种聚类方法，与K-means类似但选择实际数据点作为聚类中心，可用`scikit-learn-...
Python实现聚类算法AP
dian19881021的博客
03-31 2036
1.算法简介 AP(Affinity Propagation)通常被翻译为近邻传播算法或者亲和力传播算法，是在2007年的Science杂志上提出的一种新的聚类算法。AP算法的基本思想是将全部数据点都当作潜在的聚类中心(称之为exemplar)，然后数据点两两之间连线构成一个网络(相似度矩阵)，再通过网络中各条边的消息(responsibility和availabili...
常用数据挖掘算法总结及Python实现.pdf
03-10
在本文档中，作者Xuejun Yang详细介绍了数据挖掘中的关键算法，并提供了Python实现，帮助读者深入理解并实践这些算法。 第一部分，数据挖掘与机器学习数学基础，涵盖了机器学习的统计基础和探索性数据分析（EDA）。...
python实现谱聚类代码并进行可视化
10-21
python实现谱聚类代码并进行可视化，内涵样例数据集和代码
Python聚类分析
08-13
Python聚类分析，是无监督的机器学习中的一种！
聚类算法聚类算法代码附MATLAB & python代码
07-24
K-Means(K均值)聚类 算法步骤： (1) 首先我们选择一些类/组，并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置。这需要我们提前预知类的数量(即中心点的数量)。 (2) 计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中。 (3) 计算每一类中中心点作为新的中心点。 (4) 重复以上步骤，直到每一类中心在每次迭代后变化不大为止。也可以多次随机初始化中心点，然后选择运行结果最好的一个。
Python实现K-means聚类算法
05-27
用python写的一个k-means聚类算法的实现，测试数据在压缩包的data.txt中，结果通过图示的方法进行直观展示。
10种Python聚类算法完整操作示例（建议收藏
机器学习算法那些事
03-08 4662
来源：海豚数据科学实验室著作权归作者所有，本文仅作学术分享，若侵权，请联系后台删文处理！！文末附每日小知识点哦！！聚类或聚类分析是无监督学习问题。它通常被用作数据分析技术，用于发现数据中的...
python聚类
jinruoyanxu的博客
11-29 1646
# -*- coding: utf-8 -*- from sklearn.cluster import KMeans from sklearn.externals import joblib import numpy   final = open('c:/test/final.dat' , 'r')   data = [line.strip().split
【机器学习】机器学习之聚类算法
热门推荐
朝花夕拾
11-15 2万+
​本次实验是一场聚类算法的深度探索之旅，涵盖了K-means、K-medoids、DBSCAN和凝聚聚类等引人注目的算法。K-means通过巧妙的迭代将样本点划分到K个簇，并通过聚类中心的不断更新优化结果。尽管简单高效，但对初始聚类中心选择敏感，K-means++通过独特方式改善了这一问题，显著提升了聚类效果。
K-Means聚类算法及其python实现（已附上代码至本博客）
weixin_46028606的博客
02-02 1万+
K-Means聚类算法及其实现（已附上代码至本博客）
Python数据聚类与分群分析【附代码】
最新发布
weixin_60476982的博客
03-23 1859
KMeans算法的K代表类别数量，Means代表每个类别内样本的均值，所以KMeans算法又称为K-均值算法。KMeans算法以距离作为样本间相似度的度量标准，将距离相近的样本分配至同一个类别。样本间距离的计算方式可以是欧氏距离，曼哈顿距离，余弦相似度等，KMeans算法通常采用欧氏距离来度量各样本间的距离。KMeans算法的核心思想是。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值