买汽车最好的网站建设,什么用wordpress,东莞做商城网站建设,seo 网站title1.简介 Canopy聚类算法是一个将对象分组到类的简单、快速、精确地方法。每个对象用多维特征空间里的一个点来表示。这个算法使用一个快速近似距离度量和两个距离阈值T1 T2 处理。 Canopy聚类很少单独使用#xff0c; 一般是作为k-means前不知道要指定k为何值的时候#…1.简介 Canopy聚类算法是一个将对象分组到类的简单、快速、精确地方法。每个对象用多维特征空间里的一个点来表示。这个算法使用一个快速近似距离度量和两个距离阈值T1 T2 处理。 Canopy聚类很少单独使用 一般是作为k-means前不知道要指定k为何值的时候用Canopy聚类来判断k的取值
2.算法步骤 输入所有点的集合D 超参数T1 , T2 , 且 T1 T2 输出聚类好的集合 注意 当T1过大时会使许多点属于多个Canopy可能会造成各个簇的中心点间距离较近各簇间区别不明显当T2过大时增加强标记数据点的数量会减少簇个个数T2过小会增加簇的个数同时增加计算时间 一幅图说明算法 内圈的一定属于该类 外圈的一定不属于该类 中间层的可能属于别的类因为不止一个聚类中心 他可能属于别的类的内圈
3.python实现
对iris数据集做Canopy聚类 半径分别设置为1和2
#%% Canopy聚类
import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import numpy as np
import copyclass Solution(object):def Canopy(self, x, t1, t2):Parameters----------x : array数据集.t1 : float外圈半径.t2 : float内圈半径.Returns-------result: list.聚好类的数据集if t1 t2:return print(t1 应该大于 t2)x copy.deepcopy(x)result [] # 用于存放最终结果index np.zeros((len(x),)) # 用于标记外圈外的点 1表示强标记 2表示弱标记while (index np.zeros((len(x),))).any():alist [] # 用于存放某一类的数据集choice_index Nonefor i, j in enumerate(index):if j 0:choice_index ibreakC copy.deepcopy(x[choice_index])alist.append(C)x[choice_index] np.zeros((1, len(x[0])))index[choice_index] 1for i,a in enumerate(x):if index[i] ! 1:distant (((a-C)**2).sum())**(1/2)if distant t2: # 打上强标记alist.append(copy.deepcopy(x[i]))x[i] np.zeros((1, len(x[0])))index[i] 1elif distant t1:index[i] 2result.append(alist)return resultdef pint(r, x, y, c):# 点的横坐标为aa np.arange(x-r,xr,0.0001)# 点的纵坐标为bb np.sqrt(np.power(r,2)-np.power((a-x),2))plt.plot(a,yb,colorc,linestyle-)plt.plot(a,y-b,colorc,linestyle-)plt.scatter(x, y, cr,marker*)if __name__ __main__:data pd.read_csv(rC:/Users/潘登/Documents/python全系列/人工智能/iris.csv)X np.array(data.iloc[:, 2:4])Y data[species]result Solution().Canopy(X, 2, 1)x1 []y1 []for i in result[0]:x1.append(i[0])y1.append(i[1])x2 []y2 []for i in result[1]:x2.append(i[0])y2.append(i[1])x3 []y3 []for i in result[2]:x3.append(i[0])y3.append(i[1])plt.figure(figsize(16,12))plt.scatter(X[:,0], X[:,1], s50, cviolet, markers)plt.scatter(x1, y1, s50, corange, markers)plt.scatter(x2, y2, s50, clightblue, markers)plt.scatter(x3, y3, s50, cblue, markers)pint(2, x1[0], y1[0], b)pint(1, x1[0], y1[0], y)pint(2, x2[0], y2[0], b)pint(1, x2[0], y2[0], y)pint(2, x3[0], y3[0], b)pint(1, x3[0], y3[0], y)plt.xlim([0, 8])plt.ylim([-3, 5])plt.show()结果如下
