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，K均值會是更好的選擇；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)，使用基于密度的DBSCAN可以有效解決這個問題。

4、若追求更高的分類準確性，則選擇譜聚類比K均值準確性更好。

實例

import numpy as npimport matplotlib.pyplot as plt # 數(shù)據(jù)準備raw_data = np.loadtxt(’./pythonlearn/cluster.txt’) # 導入數(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)

知識點擴充：

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，擴展數(shù)據(jù)通常是良好的實踐。

聚類分析的所有目標的核心是被群集的各個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“關閉”或“連接”。因此，聚類分析是一個迭代過程，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，直到達到期望的或適當?shù)慕Y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

每個算法都提供了一種不同的方法來應對數(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)沒有使用控制實驗。在本教程中，我們將回顧如何使用來自 scikit-learn 庫的這10個流行的聚類算法中的每一個。這些示例將為您復制粘貼示例并在自己的數(shù)據(jù)上測試方法提供基礎。我們不會深入研究算法如何工作的理論，也不會直接比較它們。讓我們深入研究一下。

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