聚类算法(二)

• 查看
  

• 案例1

import sklearn.cluster as sc
import numpy as np
import matplotlib.pyplot as mp
import sklearn.metrics as sm
 
# 读取样本
x = np.loadtxt('.\perf.txt', delimiter=',')
 
# 自定义一组半径，使用轮廓系数得到最优半径
rs = np.linspace(0.3, 1.2, 10)
models, scores = np.array([]), np.array([])
 
#  查看给的这个区间的半径 得分。
for r in rs:
	# 半径为r  最小样本数量为5
	print("半径取值 ", r)
	model = sc.DBSCAN(eps=r, min_samples=5)
	model.fit(x)
	pred_y = model.labels_
	score = sm.silhouette_score(x, pred_y, 	sample_size=len(x), metric='euclidean')
	models = np.append(models, model)
	scores = np.append(scores, score)
	# 10个模型存到两个列表 拿到最优得分。
 
# 最优模型...
best_index = scores.argmax()
# 最优半径
print(rs[best_index], "最优半径")
# 最优得分
print(scores[best_index], "最优得分")
# 最优模型
best_model = models[best_index]
 
# 只拿到核心样本
labels = best_model.labels_
print("几个标签", labels)
#  核心样本附属    拿到核心样本的下标 。
core_indices_mask = best_model.core_sample_indices_
# 拿到孤立样本 孤立样本的标签等于-1
offset_mask = labels == -1
 
# 绘制核心样本
# 绘制图像
mp.figure('DBSCAN', facecolor='lightgray')
mp.title('DBSCAN', fontsize=16)
 
mp.scatter(x[:,0][offset_mask],   x[:,1][offset_mask],    color='gray', marker='D', alpha=0.5,label='Offset Samples', s=100  )
 
mp.scatter(x[core_indices_mask][:,0],  x[core_indices_mask][:,1],   c=labels[core_indices_mask], cmap='jet', label='核心样本才是我们要关注的样本，孤立样本和外周样本去掉Core Samples', s=80)
 
p_mask=  ~(offset_mask)
mp.scatter(x[p_mask][:,0],  x[p_mask][:,1],  c=labels[p_mask], cmap='jet', label='外周样本', alpha=0.8,s=80 ,marker='*')
 
mp.rcParams['font.sans-serif']=['SimHei']
mp.rcParams['axes.unicode_minus'] = False
 
mp.legend()
mp.show()

查看详情

• 控制台打印

半径取值  0.3
半径取值  0.39999999999999997
半径取值  0.5
半径取值  0.6
半径取值  0.7
半径取值  0.7999999999999999
半径取值  0.8999999999999999
半径取值  1.0
半径取值  1.0999999999999999
半径取值  1.2
0.7999999999999999 最优半径
0.6366395861050828 最优得分
几个标签 [ 0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3
  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2
  3  4 -1  1  2  3  4  0  1  2  3  4  0  0  2  3  4  0  1  2  3  4  0  1
  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0
  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4
  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3
  0  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1 -1  3 -1  0  1 -1
  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1
  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0
  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4  0  1  2  3  4
  0  1  2  3  4  0  1  2  3  4]

• 输出