Scikit-Learn中的聚類涉及使用K-均值，DBSCAN，分層和Minibatch K-均值方法。 1。 k均值很快，需要指定簇，並使用肘方法進行選擇； 2。 dbscan使用EPS和Min_Samples處理噪聲和任意形狀； 3。分層聚類通過樹狀圖可視化關(guān)係，但與大數(shù)據(jù)鬥爭。 4. Minibatch K-均值以略有準確的權(quán)衡提高了大型數(shù)據(jù)集的速度。每種方法都適合不同的數(shù)據(jù)和目標，從快速分組到噪聲處理和解釋。

聚類是一種用於將相似數(shù)據(jù)點分組在一起的一種無監(jiān)督的學習。借助Python的Scikit-Learn庫，您可以訪問幾種易於實現(xiàn)和自定義的功能強大的聚類算法。

這是使用Scikit-Learn使用一些最常用的聚類方法的方法。

K-均值聚類：快速而簡單

K-均值是由於其簡單性和效率，是使用最廣泛使用的聚類算法之一。它根據(jù)距離將數(shù)據(jù)分配到K簇中。

使用它：

• 確定群集的數(shù)量n_clusters
• 初始化模型： KMeans(n_clusters=3)
• 適合和預測： .fit(X)或.fit_predict(X)

人們遇到的一個常見問題是選擇正確的群集。一種實用的方法是肘部方法，它涉及繪製k的不同值的慣性（平方距離之和）。 “肘”點為K提供了合理的選擇。

來自Sklearn.Cluster Import Kmeans
導入matplotlib.pyplot作為PLT

惰性= []
對於我的範圍（1，11）：
    kmeans = kmeans（n_clusters = i，andural_state = 0）
    kmeans.fit（x）
    interias.append（kmeans.inertia_）

plt.plot（範圍（1,11），慣性）
plt.xlabel（“群集數(shù)”）
plt.ylabel（“慣性”）
plt.show（）

請記住，K均值假設(shè)簇是凸和各向同性的 - 因此在非球形或不規(guī)則形狀的數(shù)據(jù)上可能表現(xiàn)不佳。

DBSCAN：非常適合任意形狀

如果您的數(shù)據(jù)具有復雜的形狀或包含噪聲，則DBSCAN （基於密度的空間群集使用噪聲）比K-均值更好。

它通過將密切包裝的點組合在一起，並將隔離點標記為噪聲來起作用。

關(guān)鍵參數(shù)：

• eps ：兩個樣本之間的最大距離，它們被視為鄰居
• min_samples ：附近的最小樣本數(shù)量，以將其視為核心點

來自Sklearn.Cluster Import DBSCAN
dbscan = dbscan（eps = 3，min_samples = 5）
標籤= dbscan.fit_predict（x）

DBSCAN的一個棘手部分是選擇合適的eps 。一個好方法是查看k-distance圖並選擇一個急劇增加（例如肘部）的值。

此方法不需要自然地指定前期簇的數(shù)量並處理離群值。

分層聚類：視覺和可解釋

層次聚類構(gòu)建了簇的樹狀結(jié)構(gòu)，從而使通過樹狀圖可視化關(guān)係變得更加容易。

有兩種主要方法：

• 集聚：從每個點開始，作為其自身的群集並將其合併
• 分裂：從一個集群中的所有點開始，然後遞歸分裂

在scikit-learn中使用AgglomerativeClustering ：

從sklearn.cluster導入AgrogomerativeClustering
cluster = grogmerativeclustering（n_clusters = 3）
標籤= cluster.fit_predict（x）

您還可以在特定的距離閾值下切割樹狀圖以獲取集群：

來自scipy.cluster.hierarchy導入樹狀圖，鏈接
鏈接=鏈接（X，'Ward'）
樹狀圖（鏈接）
plt.show（）

雖然此方法可以更深入地了解群集層次結(jié)構(gòu)，但與大型數(shù)據(jù)集相比，它的擴展不佳。

minibatch k均值：更快的K均值替代品

使用大型數(shù)據(jù)集時， Minibatch K-均值是K-均值的更快版本，它使用每次迭代中數(shù)據(jù)的隨機示例。

這樣使用：

來自Sklearn.Cluster Import Minibatchkmeans
mbk = minibatchkmeans（n_clusters = 3，batch_size = 100）
mbk.fit（x）

權(quán)衡的精度略低，但是提高速度可能很大。當您處理數(shù)千或數(shù)百萬個數(shù)據(jù)點並需要快速結(jié)果時，這使其成為一個可靠的選擇。

這是如何使用Scikit-Learn應用流行聚類算法的基本分解。每個人都有其優(yōu)勢和最佳用途的場景 - 從與K-均值的快速分組，用DBSCAN處理噪聲，通過層次方法解釋關(guān)係到與Minibatch K-均值擴展。

根據(jù)您的數(shù)據(jù)形狀，大小和目標，其中之一應該可以恰當。

以上是用Python Scikit-Learn聚類算法的詳細內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！