說明

1、如果數(shù)據(jù)集是高維度的，選擇譜聚類是子空間的一種。

2、如果數(shù)據(jù)量是中小型的，比如在100W條以內(nèi)，K均值會(huì)是更好的選擇；如果數(shù)據(jù)量超過100W條，可以考慮使用MiniBatchKMeans。

3、如果數(shù)據(jù)集中有噪聲(離群點(diǎn))，使用基于密度的DBSCAN可以有效解決這個(gè)問題。

4、若追求更高的分類準(zhǔn)確性，則選擇譜聚類比K均值準(zhǔn)確性更好。

實(shí)例

import numpy as npimport matplotlib.pyplot as plt # 數(shù)據(jù)準(zhǔn)備raw_data = np.loadtxt(’./pythonlearn/cluster.txt’) # 導(dǎo)入數(shù)據(jù)文件X = raw_data[:, :-1] # 分割要聚類的數(shù)據(jù)y_true = raw_data[:, -1] print(X)

知識點(diǎn)擴(kuò)充：

聚類算法

有許多類型的聚類算法。許多算法在特征空間中的示例之間使用相似度或距離度量，以發(fā)現(xiàn)密集的觀測區(qū)域。因此，在使用聚類算法之前，擴(kuò)展數(shù)據(jù)通常是良好的實(shí)踐。

聚類分析的所有目標(biāo)的核心是被群集的各個(gè)對象之間的相似程度（或不同程度）的概念。聚類方法嘗試根據(jù)提供給對象的相似性定義對對象進(jìn)行分組。

一些聚類算法要求您指定或猜測數(shù)據(jù)中要發(fā)現(xiàn)的群集的數(shù)量，而另一些算法要求指定觀測之間的最小距離，其中示例可以被視為“關(guān)閉”或“連接”。因此，聚類分析是一個(gè)迭代過程，在該過程中，對所識別的群集的主觀評估被反饋回算法配置的改變中，直到達(dá)到期望的或適當(dāng)?shù)慕Y(jié)果。scikit-learn 庫提供了一套不同的聚類算法供選擇。下面列出了10種比較流行的算法：

親和力傳播 聚合聚類 BIRCH DBSCAN K-均值 Mini-Batch K-均值 Mean Shift OPTICS 光譜聚類 高斯混合

每個(gè)算法都提供了一種不同的方法來應(yīng)對數(shù)據(jù)中發(fā)現(xiàn)自然組的挑戰(zhàn)。沒有最好的聚類算法，也沒有簡單的方法來找到最好的算法為您的數(shù)據(jù)沒有使用控制實(shí)驗(yàn)。在本教程中，我們將回顧如何使用來自 scikit-learn 庫的這10個(gè)流行的聚類算法中的每一個(gè)。這些示例將為您復(fù)制粘貼示例并在自己的數(shù)據(jù)上測試方法提供基礎(chǔ)。我們不會(huì)深入研究算法如何工作的理論，也不會(huì)直接比較它們。讓我們深入研究一下。

到此這篇關(guān)于python聚類算法選擇方法實(shí)例的文章就介紹到這了,更多相關(guān)python聚類算法如何選擇內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！