【理解机器学习算法】之Nearest Shrunken Centroid(纯Python)

2024-03-06 23:12

本文主要是介绍【理解机器学习算法】之Nearest Shrunken Centroid(纯Python),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!

从头开始实现最近缩小质心(NSC)分类器涉及理解它如何通过将质心缩小到所有类的总质心方向来修改基本的最近质心方法,有效地执行特征选择。这种方法特别是在微阵列预测分析(PAM)中的应用而闻名。这里,我们将概述算法的简化版本并提供一个基本的Python实现。

最近缩小质心算法的基本步骤

1. **计算质心**:计算训练数据中每个类的质心。
2. **计算总质心**:使用所有训练数据计算总质心,不论类别。
3. **缩小质心**:将每个类的质心调整到总质心方向,有效减少不太有信息量的特征的影响。缩小的程度由阈值参数 \( \delta \) 控制。
4. **分类**:对于一个新样本,计算其到每个缩小质心的距离并分配最近质心的类别。

Python实现

这个实现关注于步骤1、3和4。步骤2(计算总质心)隐含在缩小过程中。我们将假设使用简单的欧几里得距离进行分类和基本的缩小函数。注意,实际的PAM算法涉及更复杂的缩小计算,包括标准差和软阈值。

import numpy as npclass NearestShrunkenCentroid:def __init__(self, shrink_threshold):self.shrink_threshold = shrink_thresholdself.centroids = Noneself.labels = Nonedef fit(self, X, y):"""Fit the model to the data.X is a 2D numpy array of features.y is a 1D numpy array of labels."""self.labels = np.unique(y)centroids = [X[y == label].mean(axis=0) for label in self.labels]overall_centroid = X.mean(axis=0)# Shrink the centroidsself.centroids = np.array([self._shrink(centroid, overall_centroid) for centroid in centroids])def _shrink(self, centroid, overall_centroid):"""Apply shrinkage to the centroid."""diff = centroid - overall_centroidreturn overall_centroid + np.sign(diff) * np.maximum(np.abs(diff) - self.shrink_threshold, 0)def predict(self, X):"""Predict the class labels for the given data.X is a 2D numpy array of features."""distances = np.sqrt(((X[:, np.newaxis, :] - self.centroids) ** 2).sum(axis=2))nearest_centroids = distances.argmin(axis=1)return np.array([self.labels[index] for index in nearest_centroids])# Example usage
if __name__ == "__main__":# Example data: 4 samples with 2 features eachX_train = np.array([[1, 2],[2, 1],[3, 3],[6, 5]])y_train = np.array([0, 0, 1, 1])  # Class labels# New samples to classifyX_test = np.array([[2, 2],[5, 4]])# Create and train the classifierclassifier = NearestShrunkenCentroid(shrink_threshold=0.5)classifier.fit(X_train, y_train)# Predict and print the class of the new samplespredictions = classifier.predict(X_test)print("Predicted classes:", predictions)

在这个实现中:
- `fit` 方法计算每个类和总质心的质心。然后根据指定的阈值应用缩小。
- `_shrink` 方法通过减少质心中每个特征的大小朝向总质心,根据阈值应用实际的缩小。
- `predict` 方法基于最近的缩小质心对新样本进行分类。

这是最近缩小质心分类器的简化版本。在应用程序中使用的实际实现,如基因表达分析,可能涉及额外的步骤以更有效地处理数据的高维度和稀疏性。

NSC(Nearest Shrunken Centroid) vs NC(Nearest Centroid)

关于NC请参看:【理解机器学习算法】之Nearest Centroid(纯Python)-CSDN博客

最近缩小质心(NSC)与最近质心(NC)分类器都是用于分类任务的简单直观方法,但它们在处理特征空间和分类过程方面有所不同。理解这些差异对于选择适合给定数据集或问题的方法至关重要。以下是两者的比较:

最近质心(NC)

基本原理:最近质心分类器通过计算特征空间中每个类的所有样本的质心(平均值)来工作。然后,根据距离度量(通常是欧几里得距离),将新样本分类到最近质心的类。
  
优点:
  - 简单易懂和实现。
  - 对类的分布没有假设。
  - 在小到中等数据集上效率高。

缺点:
  - 在类分布重叠显著的数据集上表现可能较差。
  - 对无关特征和异常值敏感,因为所有特征对质心计算贡献相等。
  - 由于“维度的诅咒”,在高维数据上不理想。

最近缩小质心(NSC)

基本原理:最近缩小质心是最近质心的扩展,涉及一个额外的“缩小”质心到数据集的总体平均值的步骤。这种缩小有效地减少了不太有信息量的特征的影响,并可以执行隐式特征选择。

优点:
  - 减少了噪声或无关特征的影响,可能提高分类准确性。
  - 执行隐式特征选择,这在高维空间(如基因表达数据)中可能是有益的。
  - 比基本的最近质心分类器更有效地处理重叠的类分布。

缺点:
  - 由于额外的缩小步骤,比最近质心更复杂。
  - 缩小参数(delta)的选择至关重要,可能会影响性能。
  - 在没有进一步的降维技术的情况下,可能仍然难以处理非常高维的数据。

关键差异

特征选择:NSC通过缩小不太有信息量的特征隐式进行特征选择,而NC平等对待所有特征。
鲁棒性:与NC相比,NSC通常对噪声和无关特征更为鲁棒。
复杂性:由于缩小步骤和需要选择适当的缩小参数,NSC更为复杂。
适用性:对于较简单或低维的数据集,可能更倾向于使用NC作为基线模型。相比之下,NSC可能更适合于具有许多特征的数据集,特别是当许多特征可能是无关或噪声时。

在最近缩小质心和最近质心分类器之间的选择取决于您的数据集和手头问题的具体特征。NSC在处理高维数据和减少不太有信息量的特征的影响方面提供了优势,使其在生物信息学等领域特别有用。然而,对于更简单或低维的数据集,直接的最近质心分类器可能就足够了,并且更具计算效率。

这篇关于【理解机器学习算法】之Nearest Shrunken Centroid(纯Python)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!



http://www.chinasem.cn/article/781674

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专