10、OPTICS

OPTICS 聚類(lèi)（ OPTICS 短于訂購(gòu)點(diǎn)數(shù)以標(biāo)識(shí)聚類(lèi)結(jié)構(gòu)）是上述 DBSCAN 的修改版本。

我們?yōu)榫垲?lèi)分析引入了一種新的算法，它不會(huì)顯式地生成一個(gè)數(shù)據(jù)集的聚類(lèi)；而是創(chuàng)建表示其基于密度的聚類(lèi)結(jié)構(gòu)的數(shù)據(jù)庫(kù)的增強(qiáng)排序。此群集排序包含相當(dāng)于密度聚類(lèi)的信息，該信息對(duì)應(yīng)于范圍廣泛的參數(shù)設(shè)置。

—源自：《OPTICS ：排序點(diǎn)以標(biāo)識(shí)聚類(lèi)結(jié)構(gòu)》，1999

它是通過(guò) OPTICS 類(lèi)實(shí)現(xiàn)的，主要配置是“ eps ”和“ min _ samples ”超參數(shù)。下面列出了完整的示例。

# optics聚類(lèi)
from numpy import unique
from numpy import where
from sklearn.datasets import make_classification
from sklearn.cluster import OPTICS
from matplotlib import pyplot
# 定義數(shù)據(jù)集
X, _ = make_classification(n_samples=1000, 
                           n_features=2, 
                           n_informative=2, 
                           n_redundant=0, 
                           n_clusters_per_class=1, 
                           random_state=4)
# 定義模型
model = OPTICS(eps=0.8, min_samples=10)
# 模型擬合與聚類(lèi)預(yù)測(cè)
yhat = model.fit_predict(X)
# 檢索唯一群集
clusters = unique(yhat)
# 為每個(gè)群集的樣本創(chuàng)建散點(diǎn)圖
for cluster in clusters:
    # 獲取此群集的示例的行索引
    row_ix = where(yhat == cluster)
    # 創(chuàng)建這些樣本的散布
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])
# 繪制散點(diǎn)圖
pyplot.show()

運(yùn)行該示例符合訓(xùn)練數(shù)據(jù)集上的模型，并預(yù)測(cè)數(shù)據(jù)集中每個(gè)示例的群集。然后創(chuàng)建一個(gè)散點(diǎn)圖，并由其指定的群集著色。在這種情況下，我無(wú)法在此數(shù)據(jù)集上獲得合理的結(jié)果。

圖：使用OPTICS聚類(lèi)確定具有聚類(lèi)的數(shù)據(jù)集的散點(diǎn)圖

11、光譜聚類(lèi)

光譜聚類(lèi)是一類(lèi)通用的聚類(lèi)方法，取自線性線性代數(shù)。

最近在許多領(lǐng)域出現(xiàn)的一個(gè)有希望的替代方案是使用聚類(lèi)的光譜方法。這里，使用從點(diǎn)之間的距離導(dǎo)出的矩陣的頂部特征向量。

—源自：《關(guān)于光譜聚類(lèi)：分析和算法》，2002年

它是通過(guò) Spectral 聚類(lèi)類(lèi)實(shí)現(xiàn)的，而主要的 Spectral 聚類(lèi)是一個(gè)由聚類(lèi)方法組成的通用類(lèi)，取自線性線性代數(shù)。要優(yōu)化的是“ n _ clusters ”超參數(shù)，用于指定數(shù)據(jù)中的估計(jì)群集數(shù)量。下面列出了完整的示例。

# spectral clustering
from numpy import unique
from numpy import where
from sklearn.datasets import make_classification
from sklearn.cluster import SpectralClustering
from matplotlib import pyplot
# 定義數(shù)據(jù)集
X, _ = make_classification(n_samples=1000, 
                           n_features=2, 
                           n_informative=2, 
                           n_redundant=0,
                           n_clusters_per_class=1, 
                           random_state=4)
# 定義模型
model = SpectralClustering(n_clusters=2)
# 模型擬合與聚類(lèi)預(yù)測(cè)
yhat = model.fit_predict(X)
# 檢索唯一群集
clusters = unique(yhat)
# 為每個(gè)群集的樣本創(chuàng)建散點(diǎn)圖
for cluster in clusters:
    # 獲取此群集的示例的行索引
    row_ix = where(yhat == cluster)
    # 創(chuàng)建這些樣本的散布
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])
# 繪制散點(diǎn)圖
pyplot.show()

運(yùn)行該示例符合訓(xùn)練數(shù)據(jù)集上的模型，并預(yù)測(cè)數(shù)據(jù)集中每個(gè)示例的群集。然后創(chuàng)建一個(gè)散點(diǎn)圖，并由其指定的群集著色。

在這種情況下，找到了合理的集群。

圖：使用光譜聚類(lèi)聚類(lèi)識(shí)別出具有聚類(lèi)的數(shù)據(jù)集的散點(diǎn)圖

12、高斯混合模型

高斯混合模型總結(jié)了一個(gè)多變量概率密度函數(shù)，顧名思義就是混合了高斯概率分布。它是通過(guò) Gaussian Mixture 類(lèi)實(shí)現(xiàn)的，要優(yōu)化的主要配置是“ n _ clusters ”超參數(shù)，用于指定數(shù)據(jù)中估計(jì)的群集數(shù)量。下面列出了完整的示例。

# 高斯混合模型
from numpy import unique
from numpy import where
from sklearn.datasets import make_classification
from sklearn.mixture import GaussianMixture
from matplotlib import pyplot
# 定義數(shù)據(jù)集
X, _ = make_classification(n_samples=1000, 
                           n_features=2, 
                           n_informative=2,
                           n_redundant=0,
                           n_clusters_per_class=1, 
                           random_state=4)
# 定義模型
model = GaussianMixture(n_components=2)
# 模型擬合
model.fit(X)
# 為每個(gè)示例分配一個(gè)集群
yhat = model.predict(X)
# 檢索唯一群集
clusters = unique(yhat)
# 為每個(gè)群集的樣本創(chuàng)建散點(diǎn)圖
for cluster in clusters:
    # 獲取此群集的示例的行索引
    row_ix = where(yhat == cluster)
    # 創(chuàng)建這些樣本的散布
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])
# 繪制散點(diǎn)圖
pyplot.show()

運(yùn)行該示例符合訓(xùn)練數(shù)據(jù)集上的模型，并預(yù)測(cè)數(shù)據(jù)集中每個(gè)示例的群集。然后創(chuàng)建一個(gè)散點(diǎn)圖，并由其指定的群集著色。在這種情況下，我們可以看到群集被完美地識(shí)別。這并不奇怪，因?yàn)閿?shù)據(jù)集是作為 Gaussian 的混合生成的。

圖：使用高斯混合聚類(lèi)識(shí)別出具有聚類(lèi)的數(shù)據(jù)集的散點(diǎn)圖

三、總結(jié)

在本教程中，您發(fā)現(xiàn)了如何在 python 中安裝和使用頂級(jí)聚類(lèi)算法。具體來(lái)說(shuō)，你學(xué)到了：

• 聚類(lèi)是在特征空間輸入數(shù)據(jù)中發(fā)現(xiàn)自然組的無(wú)監(jiān)督問(wèn)題。
• 有許多不同的聚類(lèi)算法，對(duì)于所有數(shù)據(jù)集沒(méi)有單一的最佳方法。
• 在 scikit-learn 機(jī)器學(xué)習(xí)庫(kù)的 Python 中如何實(shí)現(xiàn)、適合和使用10種頂級(jí)聚類(lèi)算法