机器学习（十七）——密度聚类

1. 层次聚类

分离的层次聚类：分裂，求相似性，相似性达到了，停止，没有达到则继续分裂…
样本中有层次的包含关系（如省，市，县）适合用层次聚类，如果用层次聚类，人们一般用凝聚的层次聚类

如上图，d，e被聚在一个县里（de），c也是一个县，这两个县被聚在一个市（cde），而a，b这两个县被聚在另一个市（ab），这两个市又被聚在一个省里（abcde）

2. 密度聚类

像上图中有形状的样本用k-Means就不太好，k-Means是会画一个圈进行聚类

而密度聚类，把挨得密的聚在一起

2.1 密度聚类的计算方法

密度聚类典型的算法是DBSCAN：

上图中，阈值为5的意思就是圈内有5个点
q内有7个点，p内有3个，所以q就是核心对象
所以阈值是用来确定核心对象的，只有核心对象才有资格取圈别的点
如果不是核心对象，那么它的圈就不是了，

总结：密度聚类就是有几个核心对象（圈），根据密度可达规则去圈别的点，直到最后没有更多点加进来，则扫描结束。核心对象圈出来的点就是和核心对象是一个类别的，没有被密度可达的点并且也不是核心对象的话，这个点就是噪声点了。

所以密度聚类可能会使有些点没有类别

2.2 代码实现DBSCAN

# !/usr/bin/python
# -*- coding:utf-8 -*-

import numpy as np
import matplotlib.pyplot as plt
import sklearn.datasets as ds
import matplotlib.colors
from sklearn.cluster import DBSCAN
from sklearn.preprocessing import StandardScaler


def expand(a, b):
    d = (b - a) * 0.1
    return a-d, b+d


if __name__ == "__main__":
    N = 1000
    centers = [[1, 2], [-1, -1], [1, -1], [-1, 1]]
    # 根据上面4个中心点生成100个样本， cluster_std是方差
    data, y = ds.make_blobs(N, n_features=2, centers=centers, cluster_std=[0.5, 0.25, 0.7, 0.5], random_state=0)
    # 标准归一化：先均值归一化后方差归一化
    data = StandardScaler().fit_transform(data)
    # 数据的参数：(epsilon, min_sample) 半径和阈值
    params = ((0.2, 5), (0.2, 10), (0.2, 15), (0.3, 5), (0.3, 10), (0.3, 15))

    matplotlib.rcParams['font.sans-serif'] = [u'SimHei']
    matplotlib.rcParams['axes.unicode_minus'] = False

    plt.figure(figsize=(12, 8), facecolor='w')
    plt.suptitle(u'DBSCAN聚类', fontsize=20)

    # 对比6组超参数
    for i in range(6):
        eps, min_samples = params[i]
        model = DBSCAN(eps=eps, min_samples=min_samples)
        model.fit(data)
        y_hat = model.labels_

        core_indices = np.zeros_like(y_hat, dtype=bool)
        core_indices[model.core_sample_indices_] = True

        y_unique = np.unique(y_hat)
        n_clusters = y_unique.size - (1 if -1 in y_hat else 0)
        print(y_unique, '聚类簇的个数为：', n_clusters)

        plt.subplot(2, 3, i+1)
        clrs = plt.cm.Spectral(np.linspace(0, 0.8, y_unique.size))
        print(clrs)
        for k, clr in zip(y_unique, clrs):
            cur = (y_hat == k)
            if k == -1:
                plt.scatter(data[cur, 0], data[cur, 1], s=20, c='k')
                continue
            plt.scatter(data[cur, 0], data[cur, 1], s=30, c=clr, edgecolors='k')
            plt.scatter(data[cur & core_indices][:, 0], data[cur & core_indices][:, 1], s=60, c=clr, marker='o', edgecolors='k')
        x1_min, x2_min = np.min(data, axis=0)
        x1_max, x2_max = np.max(data, axis=0)
        x1_min, x1_max = expand(x1_min, x1_max)
        x2_min, x2_max = expand(x2_min, x2_max)
        plt.xlim((x1_min, x1_max))
        plt.ylim((x2_min, x2_max))
        plt.grid(True)
        plt.title(u'epsilon = %.1f  m = %d，聚类数目：%d' % (eps, min_samples, n_clusters), fontsize=16)
    plt.tight_layout()
    plt.subplots_adjust(top=0.9)
    plt.show()

运行结果：黑色点是噪声