python数据分析聚类_【学习笔记】数据分析Python聚类 聚类 聚类(Clustering)：将数据集划分为若干 ......

])

# 画分类中心点

mark = [\'*r\',\'*b\',\'*g\',\'*y\']

for i,center in enumerate(centers):

plt.plot(center[0],center[1],mark,markersize=20)

plt.show()

K-Means算法优化

根据经验：使用多次的随机初始化，计算每一次建模得到代价函数的值，选取代价 函数最小结果作为聚类结果

肘部法则优化k

from sklearn import metrics

silhouette_all=[]

for k in range(2,10):

model = KMeans(n_clusters=k)

model.fit(data)

labels = model.labels_

silhouette_score = metrics.silhouette_score(data, labels, metric=\'euclidean\')

silhouette_all.append(silhouette_score)

plt.plot(range(2,10),silhouette_all)

plt.xlabel(\'k\')

plt.ylabel(\'silhouette_score\')

plt.show()

轮廓系数：Mini Batch K-Means算法

Mini Batch K-Means算法是K-Means算法的变种，采用小批量的数据子集减小计 算时间。这里所谓批是指每次训练算法时所随机抽取的数据子集，采用这些随 机产生的子集进行训练算法，大大减小了计算时间，结果一般只略差于标准算法。

算法的迭代步骤有两步：

从数据集中随机抽取一些数据形成小批量，把他们分配给最近的质心

更新质心

与K均值算法相比，数据的更新是在每一个小样本集上。Mini Batch K-Means比 K-Means有更快的收敛速度，略微降低聚类的效果。

DBSCAN

DBSCAN(Density-Based Spatial Clustering of Applications with Noise):它将簇定义为密度相连的点组成的最大集合，能够把具有足够高密度的区域划 分为簇，并可在噪声的空间数据库中发现任意形状的聚类

DBSCAN中的几个定义：

Ε邻域：给定对象半径为Ε内的区域称为该对象的Ε邻域

核心对象：如果给定对象Ε邻域内的样本点数大于等于Min-points，则称 该对象为核心对象

直接密度可达：对于样本集合D，如果样本点q在p的Ε邻域内，并且p为核 心对象，那么p到q直接密度可达

密度可达：对于样本集合D，给定一串样本点p1,p2….pn，p=p1,q=pn,假如 pi-1到pi直接密度可达，那么对象p到q密度可达

密度相连：存在样本集合D中的一点o，如果对象o到对象p和对象q都是密度 可达的，那么p和q密度相联

DBSCAN密度聚类思想：由密度可达关系导出的最大密度相连的样本集合，即为 我们最终聚类的一个类别，或者说一个簇

算法步骤：

指定合适的E和Min-points；

计算所有的样本点，如果p的E邻域里有超过Min-points个点，则创建一个 以p为核心点的新簇；

反复寻找这些核心点直接密度可达(之后能是密度可达)的点，将其加入 到相应簇，对于核心点发生“密度相连”状况的簇，给予合并；

当没有新的点可以被添加到任何簇时，算法结束。

DBSCAN的主要优点有：

不需要输入聚类个数，可以对任意形状的稠密数据集进行聚类，相对的， K-Means之类的聚类算法一般只适用于凸数据集

可以在聚类的同时发现异常点，对数据集中的异常点不敏感

聚类结果没有偏倚，相对的，K-Means之类的聚类算法初始值对聚类结果有 很大影响

DBSCAN的主要缺点有：

如果样本集的密度不均匀、聚类间距差相差很大时，聚类质量较差

如果样本集较大时，聚类收敛时间较长

调参相对于传统的K-Means之类的聚类算法稍复杂，需要对距离阈值E，邻域样本数阈值Min-points联合调参

数据集是稠密的，并且数据集不是凸的，DBSCAN会比K-Means聚类效果好很多

代码实现

import numpy as np

import matplotlib.pyplot as plt

from sklearn import datasets

%matplotlib inline

x1, y1 = datasets.make_circles(n_samples=2000, factor=.4, noise=.05)#x1为坐标，y1为标签，这里不需要标签

x2, y2 = datasets.make_blobs(n_samples=1000, centers=[[1.2,1.2]], cluster_std=[[.1]])

x = np.concatenate((x1, x2))

plt.scatter(x[:, 0], x[:, 1], marker=\'o\')

plt.show()

from sklearn.cluster import DBSCAN

y_pred = DBSCAN(eps = 0.2,min_samples=50).fit_predict(x)

plt.scatter(x[:, 0], x[:, 1], c=y_pred)

plt.show()