赞
踩
目录
上一次讲解了人工智能——K-Means聚类算法(Python),这节课分享密度聚类:
1.1 概念
密度聚类,即基于密度的聚类(density-based clustering),此类算法假设聚类结构能通过样本分布的紧密程度确定。前面所讲的都是把距离(欧式距离,闵科夫斯基距离,曼哈顿距离等)作为两个样本或者两个簇之间相似度的评价指标,因此导致了最终聚类结构大都是球状簇或者凸形集合,对任意形状的聚类簇比较吃力,同时对噪声数据不敏感,而基于密度的聚类算法可以发现任意形状的聚类,且对带有噪音点的数据起着重要的作用。
DBSCAN算法 是一种基于密度的聚类算法:• 聚类的时候不需要预先指定簇的个数• 最终的簇的个数不定1.2 DBSCAN数据点分类
DBSCAN算法将数据点分为三类:• 核心点:在半径Eps内含有超过MinPts数目的点• 边界点:在半径Eps内点的数量小于MinPts,但是落在核心点的邻域内• 噪音点:既不是核心点也不是边界点的点
2.1 DBSCAN算法流程:
1.将所有点标记为核心点、边界点或噪声点;2.删除噪声点;3.为距离在Eps之内的所有核心点之间赋予一条边;4.每组连通的核心点形成一个簇;5.将每个边界点指派到一个与之关联的核心点的簇中(哪一个核心点的半径范围之内)。2.2 举例
有如下13个样本点,使用DBSCAN进行聚类:(1)取Eps=3,MinPts=3,依据DBSACN对所有点进行聚类(曼哈顿距离)。(2)• 对每个点计算其邻域Eps=3内的点的集合。
• 集合内点的个数超过MinPts=3的点为核心点
• 查看剩余点是否在核心点的邻域内,若在,则为边界点,否则为噪声点。(3)将距离不超过Eps=3的点相互连接,构成一个簇,核心点邻域内的点也会被加入到这个簇中。 则下侧形成3个簇。
3.1 案例
数据介绍:现有大学校园网的日志数据,290条大学生的校园网使用情况数据,数据包括用户ID,设备的MAC地址,IP地址,开始上网时间,停止上网时间,上网时长,校园网套餐等。利用已有数据,分析学生上网的模式。实验目的:通过DBSCAN聚类,分析学生 上网时间 和 上网时长 的模式。实验过程:• 使用算法: DBSCAN聚类算法• 实现过程:数据实例:
3.2 Python实现
from sklearn.cluster import DBSCANDBSCAN主要参数 :(1)eps: 两个样本被看作邻居节点的最大距离(2)min_samples: 簇的样本数(3)metric:距离计算方式例:sklearn.cluster.DBSCAN(eps=0.5, min_samples=5, metric='euclidean')
- #*===================1. 建立工程,导入sklearn相关包===========================**
- import numpy as np
- import sklearn.cluster as skc
- from sklearn import metrics
- from sklearn.cluster import DBSCAN
- import matplotlib.pyplot as plt
-
- #*=================2. 读入数据并进行处理=====================================**
- mac2id = dict() #mac2id是一个字典:key是mac地址value是对应mac地址的上网时长以及开始上网时间
- onlinetimes = [] #value:对应mac地址的上网时长以及开始上网时间
- f = open('TestData.txt', encoding='utf-8')
- for line in f:
- mac = line.split(',')[2] #读取每条数据中的mac地址
- onlinetime = int(line.split(',')[6]) #上网时长
- starttime = int(line.split(',')[4].split(' ')[1].split(':')[0]) #开始上网时间
- if mac not in mac2id: #mac2id是一个字典:key是mac地址value是对应mac地址的上网时长以及开始上网时间
- mac2id[mac] = len(onlinetimes)
- onlinetimes.append((starttime, onlinetime))
- else:
- onlinetimes[mac2id[mac]] = [(starttime, onlinetime)]
- real_X = np.array(onlinetimes).reshape((-1, 2))
- X = real_X[:, 0:1]
-
- #*==============3上网时间聚类,创建DBSCAN算法实例,并进行训练,获得标签=============**
- db = skc.DBSCAN(eps=0.01, min_samples=20).fit(X) # 调 用 DBSCAN 方 法 进 行 训 练 ,labels为每个数据的簇标签
- labels = db.labels_
-
- #*=============4. 输出标签,查看结果===========================================**
- print('Labels:') #打印数据被记上的标签,计算标签为-1,即噪声数据的比例。
- print(labels)
- raito = len(labels[labels[:] == -1]) / len(labels)
- print('Noise raito:', format(raito, '.2%'))
-
- n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0) #计算簇的个数并打印,评价聚类效果
- print('Estimated number of clusters: %d' % n_clusters_)
- print("Silhouette Coefficient: %0.3f" % metrics.silhouette_score(X, labels))
-
- for i in range(n_clusters_): #打印各簇标号以及各簇内数据
- print('Cluster ', i, ':')
- print(list(X[labels == i].flatten()))
-
- #*==========5.画直方图,分析实验结果========================================**
- plt.hist(X, 24)
- plt.show()
-
-
-
3.3 结果
转换直方图分析 观察:上网时间大多聚集在22:00和23:00
3.4 拓展
数据分布 vs 聚类:
3-1. 上网时间聚类,创建DBSCAN算法实例,并进行训练,获得标签(上面已经分析过了)
3-2. 上网时长聚类,创建DBSCAN算法实例,并进行训练,获得标签:
结果:
Label表示样本的类别,-1表示DBSCAN划分为噪声。(1)按照上网时长DBSCAN聚了5类,右图所示,显示了每个聚类的样本数量、聚类的均值、标准差。(2)时长聚类效果不如时间的聚类效果明显。
4.1 代码
- import numpy as np
- import matplotlib.pyplot as plt
- from sklearn import datasets
- from sklearn.cluster import DBSCAN
- #matplotlib inline
- X1, y1=datasets.make_circles(n_samples=5000, factor=.6,
- noise=.05)
- X2, y2 = datasets.make_blobs(n_samples=1000, n_features=2, centers=[[1.2,1.2]], cluster_std=[[.1]],
- random_state=9)
-
- X = np.concatenate((X1, X2)) #矩阵合并
- #展示样本数据分布
- plt.scatter(X[:, 0], X[:, 1], marker='o')
- plt.show()
- #eps和min_samples 需要进行调参
- y_pred = DBSCAN(eps = 0.1, min_samples = 10).fit_predict(X)
- #分类结果
- plt.scatter(X[:, 0], X[:, 1], c=y_pred)
- plt.show()
4.2 结果
5.1 代码
- #*============================导入相关库=====================================**
- import numpy as np
- import numpy.random as random
- from numpy.core.fromnumeric import * #查看矩阵或者数组的维数
- import matplotlib.pyplot as plt
-
-
-
- #*========================计算两个向量之间的欧式距离========================**
- def calDist(X1 , X2 ):
- sum = 0
- for x1 , x2 in zip(X1 , X2): #转换成浮点型
- sum += (x1 - x2) ** 2
- return sum ** 0.5
-
- #*==================获取一个点的ε-邻域(记录的是索引)=====================**
- def getNeibor(data , dataSet , e):
- res = []
- for i in range(shape(dataSet)[0]):
- if calDist(data , dataSet[i])<e:
- res.append(i)
- return res
-
- #*===================密度聚类算法=======================================**
- def DBSCAN(dataSet , e , minPts):
- coreObjs = {}#初始化核心对象集合
- C = {}
- n = shape(dataSet)[0]
- #找出所有核心对象,key是核心对象的index,value是ε-邻域中对象的index
- for i in range(n):
- neibor = getNeibor(dataSet[i] , dataSet , e)
- if len(neibor)>=minPts:
- coreObjs[i] = neibor
- oldCoreObjs = coreObjs.copy()
- k = 0#初始化聚类簇数
- notAccess = list(range(n))#初始化未访问样本集合(索引)
- while len(coreObjs)>0:
- OldNotAccess = []
- OldNotAccess.extend(notAccess)
- cores = coreObjs.keys()
- #随机选取一个核心对象
- randNum = random.randint(0,len(cores))
- cores=list(cores)
- core = cores[randNum]
- queue = []
- queue.append(core)
- notAccess.remove(core)
- while len(queue)>0:
- q = queue[0]
- del queue[0]
- if q in oldCoreObjs.keys() :
- delte = [val for val in oldCoreObjs[q] if val in notAccess]#Δ = N(q)∩Γ
- queue.extend(delte)#将Δ中的样本加入队列Q
- notAccess = [val for val in notAccess if val not in delte]#Γ = Γ\Δ
- k += 1
- C[k] = [val for val in OldNotAccess if val not in notAccess]
- for x in C[k]:
- if x in coreObjs.keys():
- del coreObjs[x]
- return C
-
-
- #*=====================预处理数据====================================**
- def loadDataSet(filename):
- dataSet = []
- fr = open(filename)
- for line in fr.readlines():
- curLine = line.strip().split(',')
- fltLine = map(float, curLine)
- dataSet.append(list(fltLine))
- return dataSet
-
- def draw(C , dataSet):
- color = ['r', 'y', 'g', 'b', 'c', 'k', 'm']
- for i in C.keys():
- X = []
- Y = []
- datas = C[i]
- for j in range(len(datas)):
- X.append(dataSet[datas[j]][0])
- Y.append(dataSet[datas[j]][1])
- plt.scatter(X, Y, marker='o', color=color[i % len(color)], label=i)
- plt.legend(loc='upper right')
- plt.show()
-
-
- #*============================主函数===============================**
- def main():
- dataSet = loadDataSet("密度聚类.csv")
- print(dataSet)
- C = DBSCAN(dataSet, 0.11, 5)
- draw(C, dataSet)
-
- if __name__ == '__main__':
- main()
5.2 结果
5.3 数据
————————————————
密度聚类之DBSCAN及Python实现
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。