sklearn-K-means

机器学习; sklearn;K

创建时间:2019-12-05 17:40

阅读:

k-means
miniBatch K-means

[toc]

k-means

1	sklearn.cluster.KMeans(n_clusters=8,max_iter=300,init='k_means++',n_init=10,algorithm='auto',random_state=None)

参数

init初始化聚类中心的方式
k-means++
random
n_init指定选择不同的初始化聚类中心运行算法的次数
algorithm 距离度量算法
auto
full 传统的K-means,二范数度量距离
elkan 使用elkan-K-means 数据稠密的选择
ramdom_state 用于产生初始化聚类中心的随机化种子

属性

cluster_centers_输出各个聚类中心的向量
labels 输出各个簇的类别

方法

fit(X)训练聚类模型
fit-predict(X)在X上执行数据集，返回样本的簇标记
predict(X)预测样本集X上每个样本最接近的簇

miniBatch K-means

1	sklearn.cluster.MiniBatchKMeans(n_clusters=8,max_iter=300,init='k_means++',n_init=3,init_size=None,random_state=None,batch_size=100,reassignment_ratio=0.01,max_no_improvement=10)

参数

init_size用来做聚类中心初始值候选的样本个数
random_state 产生初始化聚类中心的随机化种子
batch_size小批量样本数目
reassignment_ratio某个聚类中心被重新赋值的次数占所有聚类中心被重新赋值次数的比例
max_no_improvement 当连续多个mini batch没有改善聚类效果时，停止算法

属性

cluster_centers_输出各个聚类中心向量
labels_输出各个簇的标签

方法

fit(X)在X上执行数据集
fit_predict(X) 在X上执行数据集，返回样本X的簇标记
partial_fit(X)在单个minBatch上更新K-means
predict(X)预测X中每个样本接近的簇
##层次聚类

1	sklean.cluster.AgglomerativeClustering(n_clusters=2,affinity='euclidean',compute_full_tree='auto',linkage=ward')

密度聚类

1	sklearn.cluster.DBSCAN(eps=0.5,min_sampels=5,metric='euclidean',algorithm='auto',leaf_size=30)

谱聚类

1	sklearn.cluster.spectral_clustering(n_clusters=8,affinity,assign_labels='kmeans')

EM 高斯混合模型

1	sklearn.mixtures.GaussianMixtures(n_components=1,tol=0.001,max_iter=100)

参数

n_components指定混合高斯模型的成分数目
tol收敛阈值，当下限平均增益低于该阈值时，EM迭代停止
max_iterEM迭代次数

方法

fit(X,y)使用EM算法估计模型参数
predict(X)预测标签
predict_proba(X)属于各个成分的概率
score(X,y)计算样本的平均对数损失值

转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 jaytp@qq.com