小学生都能懂的局部和全局聚类说明

本文主要是介绍小学生都能懂的局部和全局聚类说明，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1. 什么是聚类？

聚类就是把一大堆东西（数据点）分成几组，每组里面的东西都很相似。比如，我们有很多不同颜色的珠子，想把它们按照颜色分成不同的组。

2. 什么是局部和全局聚类？

• 全局聚类：把所有的珠子（数据点）整体来看，分成大致几组。就像先把珠子分成红色、蓝色和绿色三大组。
• 局部聚类：在每个大组里面再进行细分。比如，在红色组里面再分成深红、浅红、粉红等小组。

3. 为什么要同时使用局部和全局聚类？

同时使用局部和全局聚类，可以让我们更好地理解数据：

• 全局聚类：可以让我们看到数据的整体结构，比如主要有几大类。
• 局部聚类：可以让我们看到每大类里面的细节，发现更细致的模式。

4. 示例解释

4-1. 故事：珠子分类

假设我们有很多不同颜色的珠子，现在我们想把这些珠子分类。我们会先进行全局聚类，然后在每个大组里进行局部聚类。

1. 全局聚类：先把珠子分成几个大类

   • 我们把珠子分成三大类：红色、蓝色和绿色。

2. 局部聚类：在每个大类里面再进行细分

   • 在红色组里面，我们再把珠子分成深红、浅红、粉红。
   • 在蓝色组里面，我们再把珠子分成深蓝、浅蓝、天蓝。
   • 在绿色组里面，我们再把珠子分成深绿、浅绿、黄绿。

这样，我们既可以看到珠子的整体颜色分类（全局），又可以看到每种颜色里面的细节分类（局部）。

5. 简单代码示例

假设我们有一些数据点，先进行全局聚类，再进行局部聚类：

import numpy as np
from sklearn.mixture import GaussianMixture
import umap
import matplotlib.pyplot as plt# 生成一些模拟数据
np.random.seed(42)
data = np.random.rand(100, 5)# 全局聚类
global_gmm = GaussianMixture(n_components=3, random_state=42)
global_labels = global_gmm.fit_predict(data)# 画出全局聚类的结果
reducer = umap.UMAP(n_components=2, random_state=42)
embedding = reducer.fit_transform(data)
plt.scatter(embedding[:, 0], embedding[:, 1], c=global_labels)
plt.title("全局聚类结果")
plt.show()# 局部聚类
local_embeddings = []
local_labels = []
for label in np.unique(global_labels):local_data = data[global_labels == label]local_gmm = GaussianMixture(n_components=2, random_state=42)local_label = local_gmm.fit_predict(local_data)local_embed = reducer.fit_transform(local_data)local_embeddings.append(local_embed)local_labels.append(local_label)# 画出每个全局聚类里面的局部聚类结果
for i, (local_embed, local_label) in enumerate(zip(local_embeddings, local_labels)):plt.scatter(local_embed[:, 0], local_embed[:, 1], c=local_label)plt.title(f"局部聚类结果 (全局组 {i+1})")plt.show()

6. 解释

1. 数据点：生成一些模拟数据，每个数据点有5个特征。
2. 全局聚类：使用高斯混合模型（GMM）把数据分成三大类。
3. 降维：使用UMAP把数据从5维降到2维，以便可视化。
4. 局部聚类：在每个全局大类里面，再使用GMM进行细分。
5. 结果展示：画出全局聚类和局部聚类的结果。

通过这个故事和示例，希望你能更好地理解局部和全局聚类的基本概念和它是如何工作的！

这篇关于小学生都能懂的局部和全局聚类说明的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---