欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python實現鳶尾花三種聚類算法(K-means,AGNES,DBScan)

 更新時間:2019年06月27日 14:44:44   作者:weixin_42134141  
這篇文章主要介紹了python實現鳶尾花三種聚類算法(K-means,AGNES,DBScan),文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧

一.分散性聚類(kmeans)

算法流程:

1.選擇聚類的個數k.

2.任意產生k個聚類,然后確定聚類中心,或者直接生成k個中心。

3.對每個點確定其聚類中心點。

4.再計算其聚類新中心。

5.重復以上步驟直到滿足收斂要求。(通常就是確定的中心點不再改變。

優(yōu)點:

1.是解決聚類問題的一種經典算法,簡單、快速

2.對處理大數據集,該算法保持可伸縮性和高效率

3.當結果簇是密集的,它的效果較好

缺點

1.在簇的平均值可被定義的情況下才能使用,可能不適用于某些應用

2.必須事先給出k(要生成的簇的數目),而且對初值敏感,對于不同的初始值,可能會導致不同結果。

3.不適合于發(fā)現非凸形狀的簇或者大小差別很大的簇

4.對躁聲和孤立點數據敏感

這里為了看鳶尾花的三種聚類算法的直觀區(qū)別,所以不用具體算法實現,只需要調用相應函數即可。

程序如下: 

import matplotlib.pyplot as plt 
import numpy as np 
from sklearn.cluster import KMeans
from sklearn import datasets 
 
iris = datasets.load_iris() 
X = iris.data[:, :4] # #表示我們取特征空間中的4個維度
print(X.shape)
 
# 繪制數據分布圖
plt.scatter(X[:, 0], X[:, 1], c="red", marker='o', label='see') 
plt.xlabel('sepal length') 
plt.ylabel('sepal width') 
plt.legend(loc=2) 
plt.show() 
 
estimator = KMeans(n_clusters=3) # 構造聚類器
estimator.fit(X) # 聚類
label_pred = estimator.labels_ # 獲取聚類標簽
# 繪制k-means結果
x0 = X[label_pred == 0]
x1 = X[label_pred == 1]
x2 = X[label_pred == 2]
plt.scatter(x0[:, 0], x0[:, 1], c="red", marker='o', label='label0') 
plt.scatter(x1[:, 0], x1[:, 1], c="green", marker='*', label='label1') 
plt.scatter(x2[:, 0], x2[:, 1], c="blue", marker='+', label='label2') 
plt.xlabel('sepal length') 
plt.ylabel('sepal width') 
plt.legend(loc=2) 
plt.show() 

運行結果:

 二.結構性聚類(層次聚類)

1.凝聚層次聚類:AGNES算法(自底向上)

首先將每個對象作為一個簇,然后合并這些原子簇為越來越大的簇,直到某個終結條件被滿足

2.分裂層次聚類:DIANA算法(自頂向下)

首先將所有對象置于一個簇中,然后逐漸細分為越來越小的簇,直到達到了某個終結條件。

這里我選擇的AGNES算法。

程序如下:

from sklearn import datasets
from sklearn.cluster import AgglomerativeClustering
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix
import pandas as pd
 
iris = datasets.load_iris()
irisdata = iris.data
 
clustering = AgglomerativeClustering(linkage='ward', n_clusters=3)
 
res = clustering.fit(irisdata)
 
print ("各個簇的樣本數目:")
print (pd.Series(clustering.labels_).value_counts())
print ("聚類結果:")
print (confusion_matrix(iris.target, clustering.labels_))
 
plt.figure()
d0 = irisdata[clustering.labels_ == 0]
plt.plot(d0[:, 0], d0[:, 1], 'r.')
d1 = irisdata[clustering.labels_ == 1]
plt.plot(d1[:, 0], d1[:, 1], 'go')
d2 = irisdata[clustering.labels_ == 2]
plt.plot(d2[:, 0], d2[:, 1], 'b*')
plt.xlabel("Sepal.Length")
plt.ylabel("Sepal.Width")
plt.title("AGNES Clustering")
plt.show()

運行結果:

三.密度聚類之DBSCAN算法:

算法:

需要兩個參數:ε (eps) 和形成高密度區(qū)域所需要的最少點數 (minPts)

它由一個任意未被訪問的點開始,然后探索這個點的 ε-鄰域,如果 ε-鄰域里有足夠的點,則建立一個新的聚類,否則這個點被標簽為雜音。注意這個點之后可能被發(fā)現在其它點的 ε-鄰域里,而該 ε-鄰域可能有足夠的點,屆時這個點會被加入該聚類中。

程序如下:

import matplotlib.pyplot as plt 
import numpy as np 
from sklearn.cluster import KMeans
from sklearn import datasets 
from sklearn.cluster import DBSCAN
 
iris = datasets.load_iris() 
X = iris.data[:, :4] # #表示我們只取特征空間中的4個維度
print(X.shape)
# 繪制數據分布圖
plt.scatter(X[:, 0], X[:, 1], c="red", marker='o', label='see') 
plt.xlabel('sepal length') 
plt.ylabel('sepal width') 
plt.legend(loc=2) 
plt.show() 
 
dbscan = DBSCAN(eps=0.4, min_samples=9)
dbscan.fit(X) 
label_pred = dbscan.labels_
 
# 繪制k-means結果
x0 = X[label_pred == 0]
x1 = X[label_pred == 1]
x2 = X[label_pred == 2]
plt.scatter(x0[:, 0], x0[:, 1], c="red", marker='o', label='label0') 
plt.scatter(x1[:, 0], x1[:, 1], c="green", marker='*', label='label1') 
plt.scatter(x2[:, 0], x2[:, 1], c="blue", marker='+', label='label2') 
plt.xlabel('sepal length') 
plt.ylabel('sepal width') 
plt.legend(loc=2) 
plt.show() 

運行結果:

改變參數后:

四、結果分析

從上面三種實驗截圖可以看出,k-means聚類和AGNES層次聚類分析結果差不多的三類,與DBSCAN的結果不一樣。為啥不一樣,這就取決于算法本身的優(yōu)缺點了。

k-means對于大型數據集也是簡單高效、時間復雜度、空間復雜度低。 最重要是數據集大時結果容易局部最優(yōu);需要預先設定K值,對最先的K個點選取很敏感;對噪聲和離群值非常敏感;只用于numerical類型數據;不能解決非凸數據。

 DBSCAN對噪聲不敏感;能發(fā)現任意形狀的聚類。 但是聚類的結果與參數有很大的關系;DBSCAN用固定參數識別聚類,但當聚類的稀疏程度不同時,相同的判定標準可能會破壞聚類的自然結構,即較稀的聚類會被劃分為多個類或密度較大且離得較近的類會被合并成一個聚類。

以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。

相關文章

  • 將pycharm配置為matlab或者spyder的用法說明

    將pycharm配置為matlab或者spyder的用法說明

    這篇文章主要介紹了將pycharm配置為matlab或者spyder的用法說明,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-06-06
  • pytorch中LN(LayerNorm)及Relu和其變相的輸出操作

    pytorch中LN(LayerNorm)及Relu和其變相的輸出操作

    這篇文章主要介紹了pytorch中LN(LayerNorm)及Relu和其變相的輸出操作,具有很好的參考價值,希望對大家有所幫助。如有錯誤或未考慮完全的地方,望不吝賜教
    2021-05-05
  • Python中matplotlib庫安裝失敗的經驗總結(附pycharm配置anaconda)

    Python中matplotlib庫安裝失敗的經驗總結(附pycharm配置anaconda)

    最近根據領導布置的學習任務,開始學習python中的matplotlib,朋友告訴我這個很簡單,然而剛踏入安裝的門檻,就遇到了安裝不成功的問題,下面這篇文章主要給大家介紹了關于Python中matplotlib庫安裝失敗的經驗總結,需要的朋友可以參考下
    2022-08-08
  • Python 高級教程之線程進程和協程的代碼解析

    Python 高級教程之線程進程和協程的代碼解析

    這篇文章主要介紹了Python 高級教程之線程進程和協程的代碼解析,包括使用線程模塊的簡單示例,本文給大家介紹的非常詳細,對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下
    2022-05-05
  • django2筆記之路由path語法的實現

    django2筆記之路由path語法的實現

    這篇文章主要介紹了django2筆記之路由path語法的實現,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
    2019-07-07
  • Python的randrange()方法使用教程

    Python的randrange()方法使用教程

    這篇文章主要介紹了Python的randrange()方法使用教程,是Python學習中的基礎知識,需要的朋友可以參考下
    2015-05-05
  • PyQt5 QSerialPort子線程操作的實現

    PyQt5 QSerialPort子線程操作的實現

    這篇文章主要介紹了PyQt5 QSerialPort子線程操作的實現,小編覺得挺不錯的,現在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2018-04-04
  • 深入了解Python 方法之類方法 & 靜態(tài)方法

    深入了解Python 方法之類方法 & 靜態(tài)方法

    這篇文章主要介紹了Python類方法 & 靜態(tài)方法的相關資料,幫助大家更好的理解和學習python,感興趣的朋友可以了解下
    2020-08-08
  • 在CentOS 7中使用Python 3執(zhí)行系統命令的詳細教程

    在CentOS 7中使用Python 3執(zhí)行系統命令的詳細教程

    使用os.system()這個方法簡單直接,但它不返回命令的輸出,只返回命令的退出狀態(tài),如果你只需要知道命令是否成功執(zhí)行,這個方法就足夠了,這篇文章主要介紹了在CentOS 7中使用Python 3執(zhí)行系統命令的詳細教程,需要的朋友可以參考下
    2024-02-02
  • python中List添加與刪除元素的幾種方法實例

    python中List添加與刪除元素的幾種方法實例

    列表基本上是?Python?中最常用的數據結構之一了,并且刪除操作也是經常使用的,下面這篇文章主要給大家介紹了關于python中List添加與刪除元素的相關資料,需要的朋友可以參考下
    2022-09-09

最新評論