1 sklearn聚類方法詳解

2 對比不同聚類算法在不同數據集上的表現

3 用scikit-learn學習K-Means聚類

4 用scikit-learn學習DBSCAN聚類 （基於密度的聚類）

5 DBSCAN密度聚類算法

6 混合高斯模型Gaussian Mixture Model(GMM)

#===============================================

從左到右依次為： k-means聚類， DBSCAN聚類 ， GMM聚類

對應代碼：

# kmeans聚類
from
 
 sklearn.cluster import KMeans
estimator = KMeans(n_clusters=2)#構造聚類器
y_pred =estimator.fit_predict(X_train_2)#聚類

clr = [‘b‘ if i==0 else ‘y‘ if i==1 else ‘r‘ for i in y_pred]
plt.scatter(X_train[:,0],X_train[:,1],c=clr)


# DBSCAN（Density-Based Spatial Clustering of Application with Noise）基於密度的空間聚類算法
 

from sklearn.cluster import DBSCAN
dbs1 = DBSCAN(eps=0.5, # 鄰域半徑 
min_samples=5 ) # 最小樣本點數，MinPts
y_pred = dbs1.fit_predict(X_train_2) #訓練集的標簽

clr = [‘b‘ if i==0 else ‘y‘ if i==1 else ‘r‘ for i in y_pred]
plt.scatter(X_train_2[:,0],X_train_2[:,1],c=clr)


#混合高斯模型Gaussian Mixture Model(GMM)聚類
 

from sklearn import mixture
clf = mixture.GaussianMixture(n_components=2,covariance_type=‘full‘)
clf.fit(X_train_2) #.fit_predict
y_pred = clf.predict(X_train_2)

#預測
clr = [‘b‘ if i==0 else ‘y‘ if i==1 else ‘r‘ for i in y_pred]
plt.scatter(X_train_2[:,0],X_train_2[:,1],c=clr)

sklearn聚類模型：基於密度的DBSCAN；基於混合高斯模型的GMM