sklearn聚类模型评估代码_sklearn建模及评估（聚类）

最新推荐文章于 2024-09-03 16:34:44 发布
最新推荐文章于 2024-09-03 16:34:44 发布
阅读量1k 收藏 2
点赞数 1
文章标签： sklearn聚类模型评估代码
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/weixin_32052253/article/details/111956872
版权
本文介绍了如何使用sklearn构建和评估聚类模型，以K-Means为例展示了模型构建过程，并通过TSNE进行数据降维可视化。同时，利用FMI指标评估了不同类别数的聚类效果。
摘要由CSDN通过智能技术生成

作为机器学习工具的

sklearn

，它主要作用是构建模型和评估。其主要的模型分为聚类、分类、回归等，而没有模型也有适应不同场景的多个算法。接下来我们从这几点进行简要总结。

1、聚类模型

聚类的输入是一组未被标记(所谓

target

值或

lable

)的样本，聚类根据数据自身的距离或相似度将它们划分为若干组。划分的原则是组内(内部)距离最小化，而组间(外部)距离最大化。sklearn提供的各种聚类方法有如下图所示：

聚类算法的实现需要

sklearn

的估计器(

Estimator

)，估计其拥有

fit

和

predict

两个方法。以

iris

数据为例，使用

sklearn

估计器构建

K-Means

聚类模型，其实例如下代码所示：

1.1 构建聚类模型代码

from sklearn.datasets import load_iris

from sklearn.preprocessing import MinMaxScaler

from sklearn.cluster import KMeans

iris = load_iris()

iris_data = iris['data'] ##提取数据集中的特征

iris_target = iris['target'] ## 提取数据集中的标签</

最低0.47元/天 解锁文章
Lu Amy
关注
sklearn聚类+评价实例
Yvesx的博客
12-23 3255
sklearn中聚类算法和评价指标
kmeans及模型评估指标_基于K-MEANS聚类模型和RFM价值分类模型的订单交易用户价值分析...
weixin_34885009的博客
12-24 1144
用户数据化运营是互联网运营工作必备工作之一，且产品的生存必须有用户。而会员价价值度是用来评估用户的价值情况，是区分会员价值的重要性模型和参考依据，也是衡量不同营销效果的关键指标之一，我们可以通过复购率、消费频率、最近一次购买时间、最近一次购买金额等方面分析会员价值度。常用的价值度模型是RFM。RFM模型是根据会员最近一次购买时间R(Rencency)、购买频率F(Frequency)、购买金额M(...
C#使用ML.Net完成人工智能预测
01-19
前言 Visual Studio2019 Preview中提供了图形界面的ML.Net，所以，只要我们安装Visual Studio2019 Preview就能简单的使用ML.Net了，因为我的电脑已经安装了Visual Studio2019，所以我不需要重头安装Visual Studio2019 Preview，只要更新即可。 安装 首先找到Visual Studio Installer安装包，如下图。 运行，然后选择如下： 创建项目 我们创建一下新项目，如下图： 然后选择。 然后添加机器学习。 点击机器学习时，如果我们没有开启MLNET模型创建功能，则会弹出提示，让我们开启。 当
C#开源跨平台机器学习框架ML.NET----介绍与环境搭建
Vaccae的博客
09-05 1408
点击蓝字关注我们现在学习机器学习这块时，基本上都是要先学习Python，还要自己去学习更多的样本数据教程，这样对于使用C＃学习机器学习的基础并不容易，于是微软推出了ML.NET的开源跨平...
【深度学习与NLP】——词嵌入Embedding技术
最新发布
lingxw的博客
09-03 2125
词嵌入（Embedding）技术是一种将词汇映射到低维连续向量空间的方法。将离散的单词数据处理成连续且固定长度的向量，使模型可以学习和处理语义信息。
C#调用ML.NET（机器学习、人工智能预测）
qq_21569035的博客
10-27 2483
我使用的VS2019版本，具体安装过程就不赘述了 这边我已经安装完了，就不演示了，安装过程可以自行。 后面我来展示下如何引用C#ML.NET 1创建项目 首先创建C#控制台项目 点击下一步就完成了，初始项目的创建 这个是建立完之后的初始项目 2数据准备 在使用ML.NET的时候需要准备好数据（数据可以从文件/数据库中获取） 我这边演示从文件中建立好，本次预测的销售额度 前期个人学习比较推荐使用EXCEL文件存入标本数据（需要转CSV文件）...
ML.NET在C#项目中的使用
热门推荐
zhujisoft的专栏
09-14 2万+
ML.NET在C#项目中的使用
sklearn中的聚类算法K-Means
momokofly的博客
12-15 1万+
1 概述 1.1 无监督学习与聚类算法 决策树、随机森林、逻辑回归虽然有着不同的功能，但却都属于“有监督学习”的一部分，即是说，模型在训练的时候，既需要特征矩阵XXX，也需要真实标签yyy。在机器学习中，还有很大一部分算法是属于“无监督学习”，无监督的算法在训练的时候只需要特征矩阵XXX，不需要标签。曾经学过的PCA算法就是无监督学习中的一种。聚类算法也是无监督学习的代表算法之一。 聚类算法又叫做“无监督分类”，其目的是将数据划分成有意义或有用的组（或簇）。这种划分可以基于业务需求或建模需求来完成，也可以单
大数据分析技术-Sklearn操作与聚类分析模型构建与评价.doc
08-21
通过上述一系列步骤，实验旨在深入理解如何使用Sklearn进行大数据分析，特别是如何构建和评估聚类模型。这些技能对于理解和应用大数据分析技术至关重要，因为它们可以帮助我们从海量数据中提取有用信息，发现隐藏的...
【学习笔记】C# 机械学习 ML.net
weixin_53352394的博客
01-20 872
ML.net官网学习。
使用C# 探索 ML.NET 中的不同机器学习任务
dotNET跨平台
02-16 1311
什么是 ML.NET？ML.NET 是 Microsoft 开源的针对 .NET 应用程序的 跨平台机器学习库，允许您使用 C#、F# 或任何其他 .NET 语言执行机器学习任务。此外，M...
DML---数据操纵语言
jinchenpeng的博客
10-10 794
DML是Data Manipulation Language的缩写，意思是数据操纵语言，是指在SQL语言中，负责对数据库对象运行数据访问工作的指令集，以INSERT、UPDATE、DELETE三种指令为核心，分别代表插入、更新与删除，是开发以数据为中心的应用程序必定会使用到的指令。 1、主条目：INSERT， INSERT是将数据插入到数据库对象中的指令，可以插入数据的数据库对象有数据表以及可更新查看表两种。 2、主条目：UPDATE， UPDATE 指令是依给定条件，将匹配条件的数据表中的数据更新
ML.NET：一个.NET开源、免费、跨平台的机器学习框架
专注于C#/.NET/.NET Core学习、工作、面试干货和实战教程分享。这里聚焦了大量的C#/.NET/.NET Core优质文章、开源项目、实用工具和学习、工作、面试心得。
07-22 1614
今天大姚给大家分享一个.NET开源、免费、跨平台（支持Windows、Linux、macOS多个操作系统）的机器学习框架：ML.NET。并且本文将会带你快速使用ML.NET训练一个属于自己的图像分类模型，对图像进行分类。ML.NET 允许开发人员在其 .NET 应用程序中轻松构建、训练、部署和使用自定义模型，而无需具备开发机器学习模型的专业知识或使用 Python 或 R 等其他编程语言的经验。该框架提供从文件和数据加载的数据。数据库，支持数据转换，并包含许多机器学习算法。
C#使用ML.NET实现机器学习/神经网络，实现分析情绪（二元分类）问题
weixin_42974146的博客
07-02 5176
VS软件开发工具越来越强大，针对.NET开发2019年6月26号上线了机器学习框架ML.NET，但是只针对Visual Studio 2017 15.9.12及以后版本。所以各位要使用他要更新下自己的软件。同时，要下载ML.NET 开始正文， 1 我们新建一个myMLApp（Console App）项目，在解决方案管理器在工程上右键—添加---- Machine Learning。 这是弹出如下所...
一个C#跨平台的机器视觉和机器学习的开源库
zls365365的博客
08-07 212
从零学习领域驱动设计教程（DDD）大家都知道OpenCV是一个跨平台的机器视觉和机器学习的开源库，可以运行在Linux、Windows、Android和Mac OS操作系统上，由C++开发。今天给大家介绍一个用C#对OpenCV封装的处理库。项目简介它是OpenCV的.NET封装版本，项目名称为EmguCV，它使得.NET开发人员能够调用OpenCV函数，从而快速建立复杂的视觉应用。EmguCV库...
您可以在ML.NET中使用C#做什么？
寒冰屋的专栏
07-07 814
​ML.NET是Microsoft用于.NET应用程序的开源跨平台机器学习库，允许您使用C#、F# 或任何其他.NET语言执行机器学习任务。 此外，ML.NET支持在其他机器学习框架中构建的模型，例如TensorFlow、ONNX、Infer.NET等。 对于那些还没有深入的数据科学技能和各种机器学习算法知识的人，ML.NET还提供AutoML，它可以自动训练某些类型的机器学习模型，帮助您更专注于设置实验和使用训练好的模型。...
1. 利用sklearn中的层次聚类模块对样本数据进行聚类； 2. 对比不同聚类算法的分类性能； 3. 对层次聚类模型进行性能评估。
06-08
1. 利用sklearn中的层次聚类模块对样本数据进行聚类： 可以使用AgglomerativeClustering类来实现层次聚类，该类提供了多种聚类方式（如单连接、完全连接、平均连接等）。以下是一个简单的层次聚类示例： ```python from sklearn.cluster import AgglomerativeClustering import numpy as np # 构造数据 X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]]) # 定义模型 model = AgglomerativeClustering(n_clusters=2) # 训练模型 model.fit(X) # 打印每个样本的所属簇 print(model.labels_) ``` 2. 对比不同聚类算法的分类性能： 对于不同的数据集和聚类任务，不同的聚类算法可能会有不同的表现。可以使用sklearn提供的metrics模块来评估聚类算法的分类性能，如轮廓系数、Calinski-Harabasz指数和Davies-Bouldin指数等。以下是一个简单的对比不同聚类算法性能的示例： ```python from sklearn.datasets import make_blobs from sklearn.cluster import KMeans, AgglomerativeClustering from sklearn.metrics import silhouette_score, calinski_harabasz_score, davies_bouldin_score # 构造数据 X, y = make_blobs(n_samples=1000, centers=4, random_state=2) # 定义模型 models = [KMeans(n_clusters=4), AgglomerativeClustering(n_clusters=4, linkage='ward'), AgglomerativeClustering(n_clusters=4, linkage='average')] # 训练模型并评估性能 for model in models: y_pred = model.fit_predict(X) silhouette = silhouette_score(X, y_pred) calinski_harabasz = calinski_harabasz_score(X, y_pred) davies_bouldin = davies_bouldin_score(X, y_pred) print(f'Model: {model.__class__.__name__}, ' f'Silhouette score: {silhouette:.3f}, ' f'Calinski-Harabasz score: {calinski_harabasz:.3f}, ' f'Davies-Bouldin score: {davies_bouldin:.3f}') ``` 3. 对层次聚类模型进行性能评估： 对于层次聚类，可以使用cophenetic correlation coefficient来评估聚类结果的质量。cophenetic correlation coefficient是评估层次聚类结果的一种指标，它衡量了聚类结果中样本之间的距离与原始数据中样本之间的距离的相关性。它的取值范围在[-1, 1]之间，值越接近1表示聚类结果的质量越高。以下是一个简单的对层次聚类模型进行性能评估的示例： ```python from sklearn.cluster import AgglomerativeClustering from scipy.cluster.hierarchy import dendrogram, cophenet from scipy.spatial.distance import pdist import matplotlib.pyplot as plt import numpy as np # 构造数据 X = np.random.rand(10, 2) # 定义模型 model = AgglomerativeClustering(n_clusters=2) # 训练模型 model.fit(X) # 计算聚类结果的cophenetic correlation coefficient Z = model.children_ c, coph_dists = cophenet(Z, pdist(X)) print(f'Cophenetic correlation coefficient: {c:.3f}') # 绘制树状图 plt.title('Hierarchical Clustering Dendrogram') dendrogram(Z) plt.show() ``` 在上述示例中，我们首先构造了一个随机的二维数据集X，然后使用AgglomerativeClustering进行聚类。接着，我们使用cophenet函数计算了聚类结果的cophenetic correlation coefficient，并打印输出了该指标的值。最后，我们使用dendrogram函数绘制了聚类结果的树状图。
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