sklearn聚類詳解

一、sklearn聚類演算法

聚類演算法是一種機器學習演算法，常見的sklearn聚類演算法有KMeans、DBSCAN、層次聚類、高斯混合聚類等。其中，KMeans是最常用的一種聚類演算法，也是sklearn中最基本的聚類演算法之一。

from sklearn.cluster import KMeans

# 創建一個聚類器對象，參數n_clusters代表聚類的個數
kmeans = KMeans(n_clusters=3)

# 聚類
kmeans.fit(X)

二、sklearn數據集

sklearn中提供了一些經常被用來測試分類演算法和聚類演算法的數據集，例如鳶尾花數據集、手寫數字數據集等。對於初學者來說，這些數據集可以用來快速地了解分類和聚類演算法的基本使用。

from sklearn.datasets import load_iris

# 載入鳶尾花數據集
iris = load_iris()

# 獲取數據集的特徵和標籤
X = iris.data
y = iris.target

三、sklearn聚類方法

sklearn中提供了多種聚類方法，包括KMeans、DBSCAN、層次聚類、高斯混合聚類等。這些聚類方法在聚類方式、聚類效果和使用方法上都有一定的區別。

# 使用KMeans聚類
from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

# 使用DBSCAN聚類
from sklearn.cluster import DBSCAN

dbscan = DBSCAN(eps=0.5, min_samples=5)
dbscan.fit(X)

四、sklearn聚類評價指標

在聚類中，我們常常需要評價聚類效果的好壞。常見的評價指標有輪廓係數（silhouette coefficient）、Calinski-Harabasz指數和Davies-Bouldin指數等。

# 使用輪廓係數評價KMeans聚類效果
from sklearn.metrics import silhouette_score

score = silhouette_score(X, kmeans.labels_, metric='euclidean')
print(score)

五、sklearn聚類分析

對於得到的聚類結果，我們需要進行可視化分析。sklearn中提供了多種可視化方法，例如利用t-SNE降維和PCA降維將高維數據可視化。

# 利用t-SNE可視化聚類效果
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

# 將高維數據降維到2維
tsne = TSNE(n_components=2, init='pca', random_state=501)
X_tsne = tsne.fit_transform(X)

# 繪製聚類效果圖
plt.scatter(X_tsne[:, 0], X_tsne[:, 1], c=kmeans.labels_)
plt.show()

六、sklearn聚類實例

下面通過一個實際的案例來應用sklearn的聚類演算法，對紅酒進行聚類。

# 載入紅酒數據集
from sklearn.datasets import load_wine
wine = load_wine()

# 使用KMeans聚類
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=3)
kmeans.fit(wine.data)

# 可視化聚類結果
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

# 將高維數據降維到2維
tsne = TSNE(n_components=2, init='pca', random_state=501)
wine_tsne = tsne.fit_transform(wine.data)

# 繪製聚類效果圖
plt.scatter(wine_tsne[:, 0], wine_tsne[:, 1], c=kmeans.labels_)
plt.show()

七、sklearn聚類代碼

下面是一個完整的聚類代碼示例，包括對數據的載入、標準化、聚類、聚類效果評估和可視化等。

# 載入數據集
from sklearn.datasets import load_iris
iris = load_iris()

# 標準化數據
from sklearn.preprocessing import StandardScaler
X = StandardScaler().fit_transform(iris.data)

# 使用KMeans聚類
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

# 使用輪廓係數評價聚類效果
from sklearn.metrics import silhouette_score
score = silhouette_score(X, kmeans.labels_, metric='euclidean')
print("輪廓係數:", score)

# 使用t-SNE可視化聚類效果
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

# 將高維數據降維到2維
tsne = TSNE(n_components=2, init='pca', random_state=501)
X_tsne = tsne.fit_transform(X)

# 繪製聚類效果圖
plt.scatter(X_tsne[:, 0], X_tsne[:, 1], c=kmeans.labels_)
plt.show()

八、sklearn聚類中心

在kmeans聚類演算法中，聚類中心是聚類的核心，所有數據點都將根據它們與聚類中心之間的距離來進行聚類。

# 獲取聚類中心
centers = kmeans.cluster_centers_

# 繪製聚類中心
plt.scatter(X_tsne[:, 0], X_tsne[:, 1], c=kmeans.labels_)
plt.scatter(centers[:, 0], centers[:, 1], c='r', s=120, marker='s')
plt.show()

九、sklearn聚類基於分層的聚類演算法

分層聚類是一種聚類方法，它將數據點分為多個層次，並將同一層次中的數據點分為一個簇。sklearn中的分層聚類包括凝聚層次聚類和分裂層次聚類。

# 使用凝聚層次聚類
from sklearn.cluster import AgglomerativeClustering

agg = AgglomerativeClustering(n_clusters=3)
agg.fit(X)

# 可視化聚類結果
plt.scatter(X_tsne[:, 0], X_tsne[:, 1], c=agg.labels_)
plt.show()

十、sklearn聚類之前要標準化嗎

在使用聚類演算法之前，我們通常需要標準化數據，以保證各特徵之間的差異對聚類結果的影響減小。由於聚類演算法通常是基於距離計算的，因此數據中不同特徵的量綱和範圍可能會影響聚類結果。

# 數據標準化
from sklearn.preprocessing import StandardScaler
X = StandardScaler().fit_transform(X)