我有一个关于 scipy 的 kmeans
和 kmeans2
的问题。我有一组 1700 个经纬度数据点。我想在空间上将它们聚集成 100 个簇。但是,使用 kmeans
与 kmeans2
时,我得到的结果截然不同。你能解释这是为什么吗?我的代码如下。
首先我加载我的数据并绘制坐标。一切看起来都是正确的。
import pandas as pd, numpy as np, matplotlib.pyplot as plt
from scipy.cluster.vq import kmeans, kmeans2, whiten
df = pd.read_csv('data.csv')
df.head()
coordinates = df.as_matrix(columns=['lon', 'lat'])
plt.figure(figsize=(10, 6), dpi=100)
plt.scatter(coordinates[:,0], coordinates[:,1], c='c', s=100)
plt.show()
接下来,我白化数据并运行 kmeans()
和 kmeans2()
。当我从 kmeans()
绘制质心时,它看起来是正确的 - 即大约 100 个点或多或少代表了完整的 1700 点数据集的位置。
N = len(coordinates)
w = whiten(coordinates)
k = 100
i = 20
cluster_centroids1, distortion = kmeans(w, k, iter=i)
cluster_centroids2, closest_centroids = kmeans2(w, k, iter=i)
plt.figure(figsize=(10, 6), dpi=100)
plt.scatter(cluster_centroids1[:,0], cluster_centroids1[:,1], c='r', s=100)
plt.show()
但是,当我接下来从 kmeans2()
绘制质心时,我觉得它完全不可靠。我希望 kmeans
和 kmeans2
的结果非常相似,但它们完全不同。虽然 kmeans
的结果似乎确实代表了我的完整数据集,但 kmeans2
的结果看起来几乎是随机的。
plt.figure(figsize=(10, 6), dpi=100)
plt.scatter(cluster_centroids2[:,0], cluster_centroids2[:,1], c='r', s=100)
plt.show()
这是我的 k 和 N 值,以及由 kmeans()
和 kmeans2()
生成的数组的大小:
print 'k =', k
print 'N =', N
print len(cluster_centroids1)
print len(cluster_centroids2)
print len(closest_centroids)
print len(np.unique(closest_centroids))
输出:
k = 100
N = 1759
96
100
1759
17
- 为什么
len(cluster_centroids1)
不等于k
? len(closest_centroids)
等于N
,这似乎是正确的。但是为什么len(np.unique(closest_centroids))
不等于k
?len(cluster_centroids2)
等于k
,但同样,绘制时,cluster_centroids2
似乎并不代表原始数据集cluster_centroids1
的方式。
最后,我绘制了我的完整坐标数据集,按集群着色。
plt.figure(figsize=(10, 6), dpi=100)
plt.scatter(coordinates[:,0], coordinates[:,1], c=closest_centroids, s=100)
plt.show()
你可以在这里看到:
最佳答案
感谢您提出带有示例代码和图像的好问题!这是一个很好的新手问题。
通过仔细阅读文档可以解决大部分问题。一些事情:
比较原始点集和生成的聚类中心时,您应该尝试将它们绘制在具有相同维度的同一图中(即
w
agains the results)。例如,按照您所做的那样用大点绘制聚类中心,并在其顶部绘制带有小点的原始数据。kmeans
和kmeans2
从不同的情况开始。kmeans2
从点的随机分布开始,由于您的数据分布不均匀,kmeans2
收敛到一个不理想的结果。您可以尝试添加关键字minit='points'
并查看结果是否发生变化。由于初始质心的选择是错误的,因此最初的 100 个质心中只有 17 个实际上有任何属于它们的点(这与图形的随机外观密切相关)。
<似乎
kmeans
中的某些质心可能会相互坍塌,如果这会产生最小的失真。 (这似乎没有记录。)因此你只会得到 96 个质心。
关于python - Python 中的 scipy kmeans 和 kmeans2 聚类问题,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/25301466/