一、应用
对未知类别的对象进行分类,可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测;也可以探究不同类之间的相关性和差异性。
①图像处理
->分割:图像像素划分为不同的簇,便于提取目标物体和区域
->压缩:相似像素归为一类,减少颜色数量,实现图像压缩
②分类
->划分客户群体,市场分析
->对基因表达数据进行聚类,以发现具有相似表达模式的基因群,以及蛋白质结构分类
->文档聚类
二、KMeans
1、流程图
2、算法流程(Kmeans++)
->随机选取样本作为第一个聚类中心
->计算每个样本与当前已有聚类中心的最短距离(值越大,该样本被选为聚类中心的概率越大)
->轮盘法(依据概率大小抽选)选出下一个聚类中心
->重复2、3,直到选出k个聚类中心
3、matlab实现
% Step 1: 加载数据
load mydata %data会创建两个变量meas和species
data = meas;
% Step 2: 标准化数据
%option:提取感兴趣的特征列
data = data(:, [1, 3]);
data = zscore(data);
% 确定簇的数量 K
SSE = [];
silhouetteScores = [];
for k = 2:10
%迭代100次,重复运行10次
[idx, ~, sumd] = kmeans(data, k, 'MaxIter', 100, 'Replicates', 10, 'TolFun', 1e-4);
SSE = [SSE; sum(sumd)];
%平均轮廓系数
s = silhouette(data, idx);
silhouetteScores = [silhouetteScores; mean(s)];
end
% 可视化肘部法和轮廓系数
figure;
subplot(1,2,1);
plot(2:10, SSE, '-o');
xlabel('簇的数量 K');
ylabel('SSE');
title('肘部法选择 K 值');
subplot(1,2,2);
plot(2:10, silhouetteScores, '-o');
xlabel('簇的数量 K');
ylabel('平均轮廓系数');
title('轮廓系数选择 K 值');
% 选择合适的 K 值
K = 3;
% 运行 K-means 算法
maxIter = 100; % 根据经验设定最大迭代次数
tol = 1e-4; % 根据数据特征设定收敛容限
[idx, C] = kmeans(data, K, 'MaxIter', maxIter, 'Replicates', 10, 'Display', 'final', 'TolFun', tol);
% 结果可视化
figure;
gscatter(data(:,1), data(:,2), idx, 'rbg', 'o');
hold on;
plot(C(:,1), C(:,2), 'kx', 'MarkerSize', 10, 'LineWidth', 3);
title('K-means 聚类结果');
xlabel('特征 1');
ylabel('特征 2');
legend('簇 1', '簇 2', '簇 3', '质心', 'Location', 'Best');
hold off;
5、补充(matlab读入数据集的方式)
(1)文件导入
①读入xlsx
filename = '文件路径';
sheet = 1; % 工作表编号或名称
range = 'A1:D150'; % 数据范围(可选)
data = readtable(filename, 'Sheet', sheet, 'Range', range);
②读入csv
filename = 'data.csv';
data = readtable(filename);
③ 读入txt
filename = 'data.txt';
data = readtable(filename, 'Delimiter', '\t'); % 指定列分隔符
(2).mat导入
filename = 'data.mat';
load(filename);
% 这将加载 .mat 文件中的所有变量到工作区
三、层次(系统)聚类
1、流程图
2、matlab实现
% 清空变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
% 读取数据
% 选取想要的列
data = readtable('iris.xlsx');
X = table2array(data(:, 1:4));
% 调用层次聚类函数
Z = linkage(X, 'single');
% 'single'单连接(single linkage)
% 'complete'完全连接(complete linkage)
% 'average'平均连接(average linkage)
% 'weighted'加权连接(weighted linkage)
% 'centroid'中心连接(centroid linkage)
% 绘制聚类树状图
dendrogram(Z)
title('Dendrogram of Iris Dataset')
xlabel('Samples')
ylabel('Distance')
四、DBSCAN
1、基本原理
基于密度的聚类方法,聚类前不用预先指定聚类的个数。可以发现任意形状的簇,可以将密度足够大的相邻区域连接,有效处理异常数据。简单来说,其目的就是找到密度相连对象的最大集合。
2、概念
①核心对象:领域内样本点数>=阈值
②直接密度可达
③密度可达
④密度相连
3、MATLAB
(1)DBSCAN.m
function [IDX, isnoise]=DBSCAN(X,epsilon,MinPts) % DBSCAN聚类函数
C=0; % 统计簇类个数,初始化为0
n=size(X,1); % 把矩阵X的行数数赋值给n,即一共有n个点
IDX=zeros(n,1); % 定义一个n行1列的矩阵
D=pdist2(X,X); % 计算(X,X)的行的距离
visited=false(n,1); % 创建一维的标记数组,全部初始化为false,代表还未被访问
isnoise=false(n,1); % 创建一维的异常点数组,全部初始化为false,代表该点不是异常点
for i=1:n % 遍历1~n个所有的点
if ~visited(i) % 未被访问,则执行下列代码
visited(i)=true; % 标记为true,已经访问
Neighbors=RegionQuery(i); % 查询周围点中距离小于等于epsilon的个数
if numel(Neighbors)<MinPts % 如果小于MinPts
% X(i,:) is NOISE
isnoise(i)=true; % 该点是异常点
else % 如果大于MinPts,且距离大于epsilon
C=C+1; % 该点又是新的簇类中心点,簇类个数+1
ExpandCluster(i,Neighbors,C); % 如果是新的簇类中心,执行下面的函数
end
end
end % 循环完n个点,跳出循环
function ExpandCluster(i,Neighbors,C) % 判断该点周围的点是否直接密度可达
IDX(i)=C; % 将第i个C簇类记录到IDX(i)中
k = 1;
while true % 一直循环
j = Neighbors(k); % 找到距离小于epsilon的第一个直接密度可达点
if ~visited(j) % 如果没有被访问
visited(j)=true; % 标记为已访问
Neighbors2=RegionQuery(j); % 查询周围点中距离小于epsilon的个数
if numel(Neighbors2)>=MinPts % 如果周围点的个数大于等于Minpts,代表该点直接密度可达
Neighbors=[Neighbors Neighbors2]; %#ok % 将该点包含着同一个簇类当中
end
end % 退出循环
if IDX(j)==0 % 如果还没形成任何簇类
IDX(j)=C; % 将第j个簇类记录到IDX(j)中
end % 退出循坏
k = k + 1; % k+1,继续遍历下一个直接密度可达的点
if k > numel(Neighbors) % 如果已经遍历完所有直接密度可达的点,则退出循环
break;
end
end
end % 退出循环
function Neighbors=RegionQuery(i) % 该函数用来查询周围点中距离小于等于epsilon的个数
Neighbors=find(D(i,:)<=epsilon);
end
end
(2)PlotClusterinResult.m
function PlotClusterinResult(X, IDX) % 绘图,标绘聚类结果
k=max(IDX); % 求矩阵IDX每一列的最大元素及其对应的索引
Colors=hsv(k); % 颜色设置
Legends = {};
for i=0:k % 循环每一个簇类
Xi=X(IDX==i,:);
if i~=0
Style = 'x'; % 标记符号为x
MarkerSize = 8; % 标记尺寸为8
Color = Colors(i,:); % 所有点改变颜色改变
Legends{end+1} = ['Cluster #' num2str(i)];
else
Style = 'o'; % 标记符号为o
MarkerSize = 6; % 标记尺寸为6
Color = [0 0 0]; % 所有点改变颜色改变
if ~isempty(Xi)
Legends{end+1} = 'Noise'; % 如果为空,则为异常点
end
end
if ~isempty(Xi)
plot(Xi(:,1),Xi(:,2),Style,'MarkerSize',MarkerSize,'Color',Color);
end
hold on;
end
hold off; % 使当前轴及图形不在具备被刷新的性质
axis equal; % 坐标轴的长度单位设成相等
grid on; % 在画图的时候添加网格线
legend(Legends);
legend('Location', 'NorthEastOutside'); % legend默认的位置在NorthEast,将其设置在外侧
end % 结束循环
(3)main.m
clc; %清理命令行的意思
clear; %清楚存储空间的变量,以免对下面的程序运行产生影响
close all; %关闭所有图形窗口
%% Load Data %定义data.mat数据文件加载模块
data=load('mydata'); %数据读取
X=data.X;
%% Run DBSCAN Clustering Algorithm %定义Run运行模块
epsilon=0.5; %规定两个关键参数的取值
MinPts=10;
IDX=DBSCAN(X,epsilon,MinPts); %传入参数运行
%% Plot Results %定义绘图结果模块
PlotClusterinResult(X, IDX); %传入参数,绘制图像
title(['DBSCAN Clustering (\epsilon = ' num2str(epsilon) ', MinPts = ' num2str(MinPts) ')']);
五、算法选择
只有两个指标,且做出散点图后发现数据表现得很“DBSCAN”(簇的形状是任意的),这时候再用DBSCAN进行聚类。其他情况下,全部使用系统聚类吧。K‐means也可以用,不过用了的话论文上可写的东西比较少。
参考资料