python聚类算法选择方法实例

说明

如果数据集是高维度的，选择谱聚类是子空间的一种。

如果数据量是中小型的，比如在100W条以内，K均值会是更好的选择；如果数据量超过100W条，可以考虑使用MiniBatchKMeans。

如果数据集中有噪声(离群点)，使用基于密度的DBSCAN可以有效解决这个问题。

若追求更高的分类准确性，则选择谱聚类比K均值准确性更好。

实例

import numpy as np
import matplotlib.pyplot as plt
 
 
# 数据准备
raw_data = np.loadtxt('./pythonlearn/cluster.txt') # 导入数据文件
X = raw_data[:, :-1] # 分割要聚类的数据
y_true = raw_data[:, -1]
 
print(X)

知识点扩充：

聚类算法

有许多类型的聚类算法。许多算法在特征空间中的示例之间使用相似度或距离度量，以发现密集的观测区域。因此，在使用聚类算法之前，扩展数据通常是良好的实践。

聚类分析的所有目标的核心是被群集的各个对象之间的相似程度（或不同程度）的概念。聚类方法尝试根据提供给对象的相似性定义对对象进行分组。

一些聚类算法要求您指定或猜测数据中要发现的群集的数量，而另一些算法要求指定观测之间的最小距离，其中示例可以被视为“关闭”或“连接”。因此，聚类分析是一个迭代过程，在该过程中，对所识别的群集的主观评估被反馈回算法配置的改变中，直到达到期望的或适当的结果。scikit-learn 库提供了一套不同的聚类算法供选择。下面列出了10种比较流行的算法：

• 亲和力传播
• 聚合聚类
• BIRCH
• DBSCAN
• K-均值
• Mini-Batch K-均值
• Mean Shift
• OPTICS
• 光谱聚类
• 高斯混合
  

每个算法都提供了一种不同的方法来应对数据中发现自然组的挑战。没有最好的聚类算法，也没有简单的方法来找到最好的算法为您的数据没有使用控制实验。在本教程中，我们将回顾如何使用来自 scikit-learn 库的这10个流行的聚类算法中的每一个。这些示例将为您复制粘贴示例并在自己的数据上测试方法提供基础。我们不会深入研究算法如何工作的理论，也不会直接比较它们。让我们深入研究一下。

到此这篇关于Python聚类算法选择方法实例的文章就介绍到这了,更多相关python聚类算法如何选择内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！