机器学习之聚类算法

一、K均值聚类算法

 1.使用K-means算法对数据进行聚类

#  K均值聚类算法
data1 = pd.DataFrame({'X': np.random.randint(1, 50, 100), 'Y': np.random.randint(1, 50, 100)})
# print(data1)
data = pd.concat([data1 + 50, data1])
plt.style.use('ggplot')
# 使用K—means算法进行聚类
y_pred = KMeans(n_clusters=2).fit_predict(data)
print(y_pred)
plt.scatter(data.X, data.Y, c=y_pred)
plt.show()

效果如图

2.评价聚类效果的方法

num = metrics.calinski_harabasz_score(data, y_pred)
print(num)  # 这个值越大，聚类效果越好

 可以将自己生成的数据集分成两类或者三类验证聚类效果

当分成两类时

 评价数值为：

 当分成三类时;

 评价效果：

 3.小麦数据集进行聚类

（1）小麦数据集 

 （2）进行聚类的结果：

（3） 与真实分类进行对比，计算准确率

 （4）对模型进行评价

 （5）代码

# 小麦数据集聚类
data = pd.read_csv('./数据集/seeds_dataset.txt', header=None, delim_whitespace=True,
                   names=['X1', 'X2', 'X3', 'X4', 'X5', 'X6', 'X7', 'Y'])
print(data)
y_pred = KMeans(n_clusters=3).fit_predict(data[['X1', 'X2', 'X3', 'X4', 'X5', 'X6', 'X7']])
print(y_pred)
y_pre = pd.Series(y_pred)
print(y_pre)
# print(data.Y)
y_pre = y_pre.map({0: 1, 1: 2, 2: 3})
print(y_pre)
data_p = pd.DataFrame({'y_pre': y_pre, 'y': data.Y})
data_p['acc'] = data_p.y_pre == data.Y
effect = data_p.acc.sum() / len(data_p)
print(effect)  # 预测的准确率
num = metrics.calinski_harabasz_score(data[['X1', 'X2', 'X3', 'X4', 'X5', 'X6', 'X7']], y_pred)
print(num)

4.K-means算法的缺点

1.首先需要给定K值，在不知道K值的情况下，是一个不小的挑战
2.有些数据集效果不好，与肉眼识别结果相差较大

3.不够精细，如对异常值的处理

 二、DBSCAN算法

# DBSCAN 一种基于密度的聚类方法，可以排除异常值
print(data1)
plt.scatter(data1.X, data1.Y)
plt.show()
data2 = pd.concat([data1 + 50, data1])
print(data2)
plt.scatter(data2.X, data2.Y)
plt.show()
y_pred = DBSCAN(eps=7, min_samples=2).fit_predict(data2)
print(y_pred)
plt.scatter(data2.X, data2.Y, c=y_pred)
plt.show()

结果为：

 可以看到分成了四类，并且可以排除异常值的影响。

可以不断调节参数来测试聚类效果。