【scikit-learn】sklearn.cluster 模块 ：聚类算法

sklearn.cluster 模块（聚类算法）

sklearn.cluster 提供了多种 无监督学习聚类算法，用于 数据分组、模式发现、异常检测 等任务，适用于 图像分割、市场分析、异常检测 等应用。

---

1. sklearn.cluster 主要聚类算法

任务	算法	适用情况
基于中心的聚类	KMeans	经典 K 均值聚类，适用于大多数情况
基于中心的聚类	MiniBatchKMeans	KMeans 的小批量版本，适用于大数据
基于密度的聚类	DBSCAN	基于密度的聚类，适用于噪声数据
基于层次的聚类	AgglomerativeClustering	层次聚类，适用于层级数据
基于图的聚类	SpectralClustering	基于图的聚类，适用于非欧几里得数据
基于高斯混合	GaussianMixture	基于概率的聚类，适用于软聚类
基于流形学习	MeanShift	基于密度峰值的聚类，适用于不规则簇
基于相似度传播	AffinityPropagation	自动确定簇数，适用于非规则数据
基于模糊 C 均值	Fuzzy C-Means (FCM)（需 skfuzzy）	允许数据点属于多个簇，适用于软聚类

---

2. K 均值聚类 (KMeans)

(1) 训练 KMeans 聚类模型

from sklearn.cluster import KMeans
import numpy as np

# 生成数据
X = np.random.rand(100, 2)  # 100 个二维点

# 训练 KMeans 聚类模型
model = KMeans(n_clusters=3, random_state=42)
model.fit(X)

# 预测簇标签
labels = model.predict(X)
print("簇标签:", labels[:10])

解释

• n_clusters=3：指定聚类数目 3。
• fit(X)：训练模型。
• predict(X)：预测数据的簇标签。

---

3. KMeans 主要参数

KMeans(n_clusters=3, init="k-means++", n_init=10, max_iter=300)

参数	说明
n_clusters	聚类数（默认 8）
init	初始化方法（默认 "k-means++"，可选 "random"）
n_init	重复运行 KMeans 的次数（默认 10，取最优结果）
max_iter	最大迭代次数（默认 300）

---

4. DBSCAN 聚类 (DBSCAN)

(2) 训练 DBSCAN

from sklearn.cluster import DBSCAN

model = DBSCAN(eps=0.3, min_samples=5)
labels = model.fit_predict(X)

print("DBSCAN 簇标签:", labels[:10])

解释

• eps=0.3：定义密度阈值（两点距离 ≤ 0.3 视为邻居）。
• min_samples=5：一个簇最少包含 5 个样本。

---

5. DBSCAN 主要参数

DBSCAN(eps=0.5, min_samples=5, metric="euclidean")

参数	说明
eps	邻域半径（默认 0.5，值越大，簇越大）
min_samples	最小簇样本数（默认 5）
metric	距离度量（默认 "euclidean"）

---

6. 层次聚类 (AgglomerativeClustering)

(3) 训练层次聚类

from sklearn.cluster import AgglomerativeClustering

model = AgglomerativeClustering(n_clusters=3)
labels = model.fit_predict(X)

print("层次聚类簇标签:", labels[:10])

解释

• n_clusters=3：指定聚类数 3。

---

7. AgglomerativeClustering 主要参数

AgglomerativeClustering(n_clusters=3, linkage="ward")

参数	说明
n_clusters	聚类数（默认 2）
linkage	连接方式（"ward"、"average"、"complete"）

---

8. 高斯混合聚类 (GaussianMixture)

(4) 训练 GaussianMixture

from sklearn.mixture import GaussianMixture

model = GaussianMixture(n_components=3, random_state=42)
model.fit(X)

labels = model.predict(X)
print("高斯混合模型簇标签:", labels[:10])

解释

• n_components=3：高斯分布的数量（类似 KMeans 的 n_clusters）。

---

9. GaussianMixture 主要参数

GaussianMixture(n_components=3, covariance_type="full")

参数	说明
n_components	聚类数（默认 1）
covariance_type	协方差类型（"full"、"tied"、"diag"、"spherical"）

---

10. KMeans vs. DBSCAN vs. AgglomerativeClustering

方法	适用情况	主要区别
KMeans	数据均匀分布，适用于大规模数据	需要预设簇数，易受初始点影响
DBSCAN	适用于噪声数据，簇形状不规则	不需预设簇数，依赖 eps 和 min_samples
AgglomerativeClustering	适用于层级结构的数据	适用于小规模数据，可视化树形结构

---

11. 适用场景

• 图像分割（如 KMeans 图像量化）。
• 市场分析（如 用户群体划分）。
• 异常检测（如 DBSCAN 识别异常点）。

---

12. 结论

• sklearn.cluster 提供了多种聚类方法，KMeans 适用于大规模数据，DBSCAN 适用于噪声数据，AgglomerativeClustering 适用于层次结构数据。