聚类后PCA降维实例及三维散点图绘制

聚类分析

• 方法：BIRCH

• 数据来源：https://archive.ics.uci.edu/ml/index.php
  或者：https://gitee.com/guet_seven_data-department/python_crawler_small/wikis/glass.csv?sort_id=2963383

• 数据集说明：数据集包含9个特征变量，分别为ri，na，mg，al，si，k，ca，ba，fe；1个类别变量glass_type,共有214个样本，
  

• 代码实现

  from sklearn.cluster import Birch  #BIRCH模块导入
  import pandas as pd    
  import matplotlib.pyplot as plt  
  glass=pd.read_csv('G:/机器学习/书籍阅读/python爬虫/glass.csv')  #数据导入，需要更改一下路径
  #glass=pd.read_csv(r'G:\机器学习\书籍阅读\python爬虫\glass.csv')
  clf=Birch(n_clusters=4)  #n_clusters:设置聚类数为n
  clf.fit(glass)   #函数训练模型
  pre=clf.predict(glass)  #所属类别预测，分为4类，（0,1，2,3）
  

PCA降维实现

• PCA（Principal Component Analysis）即主成分分析

• 代码实现

  #降维
  from sklearn.decomposition import PCA
  from mpl_toolkits.mplot3d import Axes3D  #三维绘图
  pca=PCA(n_components=3)  #降维到3维
  newDate=pca.fit_transform(glass)
  x1=newDate[:,0]  
  x2=newDate[:,1]
  x3=newDate[:,2]
  fig=plt.figure()
  ax=Axes3D(fig)
  ax.scatter(x1,x2,x3,c=pre)
  

• 聚类数为3的可视化情况
  

• 聚类数为4的可视化情况