您现在的位置是：首页 > Python

当前栏目

python sklearn工具包_使用Python的sklearn包做kmeans

Python 计算对象

2023-03-02 10:56:54 时间

使用Python的sklearn包做kmeans

标签：\#kmeans\#\#python\#\#编程\#

时间：2018/10/31 14:42:14

作者：小木

首先要安装numpy和sklearn包，然后运行sklearn的kmeans方法即可。

这里我们使用了三种评价方法，一种是

\#\#\#\#\# 1、Silhouette Coefficient

Silhouette Coefficient是对聚类方法进行解释和验证一致性的方法。该技术提供了一个简洁的图形表示，表明每个对象在其集群中的位置。

Silhouette Coefficient是对象与其自身簇(内聚力)相比与其他簇(分离)相似程度的度量。 值从-1到+1，其中高值表示对象与其自己的簇很好地匹配并且与相邻簇不匹配。 如果大多数对象具有高值，则聚类结果是合适的。 如果许多点具有低值或负值，则聚类效果不好，可能具有太多或太少的簇。

可以使用任何距离度量来计算Silhouette Coefficient结果，例如欧几里德距离或曼哈顿距离。

\#\#\#\#\# 2.Rand Index

Rand索引计算集群(由聚类算法返回)与基准分类的相似程度。 人们还可以将Rand指数视为算法所做出的正确决策百分比的度量。 它可以使用以下公式计算：

\`\`\`math

RI = \\frac\{TP+TN\}\{TP+FP+FN+TN\}

\`\`\`

这里的TP是真实的正值数量，TN是真实的负值数量，FP是错误正值的数量，FN是错误负值的数量。

\#\#\#\#\# 3. between\_ss / total\_ss

这个是组间距离平方和和总的距离平方和之比，是R语言中KMeans内置的一个评价方法，见\[使用R语言进行K-means聚类并分析结果\](https://www.datalearner.com/blog/1051493902550927)

代码如下：

\`\`\`python

from sklearn.cluster import KMeans

import numpy as np

from sklearn.metrics import silhouette\_score

\# 定义between\_SS / total\_SS 的计算方法

def sum\_of\_square\_scores(original\_data, predict\_labels, cluster\_centers, n\_clusters):

avg = np.mean(original\_data, axis=0)

dist = np.power(original\_data - avg, 2)

total\_ss = np.sum(dist)

within\_squares = np.zeros((n\_clusters, len(original\_data\[0\])))

for i in range(0, len(original\_data)):

cluster = predict\_labels\[i\]

within\_squares\[cluster\] += np.power(original\_data\[i\] - cluster\_centers\[cluster\], 2)

within\_ss = np.sum(within\_squares)

return (total\_ss - within\_ss) / total\_ss

\# 载入数据

X = np.loadtxt("D:/data/kmeans.txt", delimiter=' ')

\# 运行KMeans

kmeans = KMeans(n\_clusters=2, random\_state=0).fit(X)

\# 使用Silhouette Coefficient评价

sil\_coeff = silhouette\_score(X, kmeans.labels\_, metric='euclidean')

\# 使用between\_ss / total\_ss 评价

bss = sum\_of\_square\_scores(X, kmeans.labels\_, kmeans.cluster\_centers\_, kmeans.n\_clusters)

print("coeff:" + str(sil\_coeff))

print("between\_ss / total\_ss:" + str(bss))

\`\`\`

猜你喜欢

Python 分类导航
Java7、Java8 安装卸载问题
使用托管节点组结合启动模板简化EKS升级与运维
如何将您的自定义容器镜像导入Amazon SageMaker Studio notebooks
python--函数1
Java生成二维码以及java绘图
头歌Educoder——Java高级特性 - Java反射
如何注册成为亚马逊云科技 Marketplace海外区卖家
python-------pandas学习
在 Amazon Kinesis Data Analytics Studio 中尝试的十大 Flink SQL 查询
python操作数据库
Java并发编程（四）Java内存模型（下）
Python数据结构
Java面试宝典——Java web 部分（五）
基于云的数据网格技术如何实现金融监管数据采集
如何使用数据网格创建现代包装消费品 (CPG)行业数据架构
Python数据结构
Java程序员面试之Java并发基础知识
预处理日志以便在 Amazon ES 中进行异常检测
Python 容器(Collections)

zl程序教程

当前栏目

python sklearn工具包_使用Python的sklearn包做kmeans

相关文章