【机器学习】机器学习学习笔记 - 无监督学习 - k-means/均值漂移聚类/凝聚层次聚类/近邻传播聚类 - 05

本文主要是介绍【机器学习】机器学习学习笔记 - 无监督学习 - k-means/均值漂移聚类/凝聚层次聚类/近邻传播聚类 - 05，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！

pdf在线免费转word文档 https://orcc.online/pdf

不限次数、免费不需要注册。

无监督学习 (聚类)

• 聚类是一种无监督学习方法，是将数据划分为若干个簇，使得簇内的点尽可能相似，簇间尽可能不相似。

k-means 聚类

• k-means 聚类算法是一种迭代算法，它会不断地寻找最佳的 k 值，然后将数据分配到这些簇中。
• 聚类算法的优点是简单，易于实现，并且对数据维度的要求不高。

from sklearn.cluster import KMeansnum_clusters = 4
kmeans = KMeans(init='k-means++', n_clusters=num_clusters, n_init=10)
kmeans.fit(data)

均值漂移聚类

• 把数据点的分布看成是概率密度函数, 希望在特征空间中根据函数分布特征找出数据点的"模式"(mode)
• 优点是不需要事先确定集群的数量

import numpy as np
from sklearn.cluster import MeanShift, estimate_bandwidth# Estimating the bandwidth
# 设置带宽参数 quantile : 0.1 代表数据集中10%的样本作为聚类中心
# n_samples : 样本数
bandwidth = estimate_bandwidth(X, quantile=0.1, n_samples=len(X))# Compute clustering with MeanShift
# bin_seeding : 随机种子
# 随机种子，保证每次聚类结果一致
meanshift_estimator = MeanShift(bandwidth=bandwidth, bin_seeding=True)
meanshift_estimator.fit(X)# 提取标记
labels = meanshift_estimator.labels_
# 聚类中心
centroids = meanshift_estimator.cluster_centers_
num_clusters = len(np.unique(labels))print("Number of clusters in input data =", num_clusters)

凝聚层次聚类

• 层次聚类算法可以是自下而上的，也可以是自上而下
• 自下而上: 每个数据点都被看作一个簇，然后将簇进行合并，直到所有簇合并为一个簇
• 自上而下: 先将所有数据点看作一个簇，然后将簇进行分裂，直到所有簇分裂为一个簇

from sklearn.cluster import AgglomerativeClusteringplt.figure()
model = AgglomerativeClustering(linkage=linkage,connectivity=connectivity, n_clusters=num_clusters)
model.fit(X)# extract labels
labels = model.labels_

近邻传播聚类

• 找出数据点的相似度，然后根据相似度进行聚类
• 优点是不需要事先确定簇的数量

from sklearn.cluster import AffinityPropagation# 使用亲和传播聚类算法构建聚类模型
# edge_model.covariance_可以获取到股票之间的协方差矩阵，该矩阵表示了不同股票之间的相关性和波动性
_, labels = cluster.affinity_propagation(edge_model.covariance_)
num_labels = labels.max()# 打印聚类结果
for i in range(num_labels + 1):print("Cluster", i+1, "-->", ', '.join(names[labels == i]))

这篇关于【机器学习】机器学习学习笔记 - 无监督学习 - k-means/均值漂移聚类/凝聚层次聚类/近邻传播聚类 - 05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！

---