Python에서 캐노피 클러스터링을 구현하는 방법

캐노피 알고리즘은 Andrew McCallum, Kamal Nigam 및 Lyle Ungar가 2000년에 제안했습니다. k-평균 클러스터링 알고리즘과 계층적 클러스터링 알고리즘의 전처리입니다. 우리 모두 알고 있듯이 kmeans의 단점 중 하나는 k 값을 수동으로 조정해야 한다는 점입니다. k 값은 나중에 Elbow Method와 Silhouette Coefficient를 통해 최종적으로 결정할 수 있지만 이러한 방법은 "사후"로 판단됩니다. , Canopy 알고리즘의 역할은 사전에 대략적인 군집화를 통해 k-평균 알고리즘에 대한 초기 군집 중심 수와 군집 중심점을 결정하는 것입니다.

사용된 패키지:

import math
import random
import numpy as np
from datetime import datetime
from pprint import pprint as p
import matplotlib.pyplot as plt

1. 먼저 알고리즘에 2차원 데이터 세트(나중에 2차원 평면에 그리기 및 표현을 용이하게 하기 위해)를 미리 설정합니다.

물론 고차원 데이터도 사용할 수 있고, 나중에 캐노피 코어 알고리즘을 클래스에 썼는데, 직접 호출을 통해 모든 차원의 데이터를 처리할 수 있습니다. 물론 소규모 배치에만 해당됩니다. 대량의 데이터를 Mahout 및 Hadoop으로 이동할 수 있습니다.

# 随机生成500个二维[0,1)平面点
dataset = np.random.rand(500, 2)

관련 권장 사항: "Python Video Tutorial"

2. 그런 다음 두 개의 범주를 생성합니다. 클래스의 속성은 다음과 같습니다.

class Canopy:
    def __init__(self, dataset):        
        self.dataset = dataset        
        self.t1 = 0
      self.t2 = 0

t1 및 의 초기 값 설정을 추가합니다. t2와 크기 판단 기능

   # 设置初始阈值  
def setThreshold(self, t1, t2):        
    if t1 > t2:
        self.t1 = t1            
        self.t2 = t2        
    else:
        print('t1 needs to be larger than t2!')

3 .거리 계산, 각 중심점 사이의 거리 계산 방법은 유클리드 거리입니다.

#使用欧式距离进行距离的计算
def euclideanDistance(self, vec1, vec2):        
    return math.sqrt(((vec1 - vec2)**2).sum())

4. 그런 다음 데이터세트의 길이에 따라 데이터세트에서 첨자를 무작위로 선택하는 함수를 작성하세요.

# 根据当前dataset的长度随机选择一个下标 
def getRandIndex(self):        
    return random.randint(0, len(self.dataset) - 1)

5. 핵심 알고리즘

def clustering(self):        
        if self.t1 == 0:
            print('Please set the threshold.')        
        else:
            canopies = []  # 用于存放最终归类结果
            while len(self.dataset) != 0:
                rand_index = self.getRandIndex()
                current_center = self.dataset[rand_index]  # 随机获取一个中心点，定为P点
                current_center_list = []  # 初始化P点的canopy类容器
                delete_list = []  # 初始化P点的删除容器
                self.dataset = np.delete(                    
                     self.dataset, rand_index, 0)  # 删除随机选择的中心点P
                for datum_j in range(len(self.dataset)):
                    datum = self.dataset[datum_j]
                    distance = self.euclideanDistance(
                        current_center, datum)  # 计算选取的中心点P到每个点之间的距离
                    if distance < self.t1:
                        # 若距离小于t1，则将点归入P点的canopy类
                        current_center_list.append(datum)                    
                    if distance < self.t2:
                        delete_list.append(datum_j)  # 若小于t2则归入删除容器
                # 根据删除容器的下标，将元素从数据集中删除
                self.dataset = np.delete(self.dataset, delete_list, 0)
                canopies.append((current_center, current_center_list))        
          return canopies

후속 데이터 시각화를 용이하게 하기 위해 내가 정의하는 캐노피 여기에 배열이 있습니다. 물론 dict를 사용할 수도 있습니다.
6.main() 함수

def main():
    t1 = 0.6
    t2 = 0.4
    gc = Canopy(dataset)
    gc.setThreshold(t1, t2)
    canopies = gc.clustering()
    print('Get %s initial centers.' % len(canopies))    
    #showCanopy(canopies, dataset, t1, t2)

Canopy 클러스터링 시각화 코드

def showCanopy(canopies, dataset, t1, t2):
    fig = plt.figure()
    sc = fig.add_subplot(111)
    colors = ['brown', 'green', 'blue', 'y', 'r', 'tan', 'dodgerblue', 'deeppink', 'orangered', 'peru', 'blue', 'y', 'r',              'gold', 'dimgray', 'darkorange', 'peru', 'blue', 'y', 'r', 'cyan', 'tan', 'orchid', 'peru', 'blue', 'y', 'r', 'sienna']
    markers = [&#39;*&#39;, &#39;h&#39;, &#39;H&#39;, &#39;+&#39;, &#39;o&#39;, &#39;1&#39;, &#39;2&#39;, &#39;3&#39;, &#39;,&#39;, &#39;v&#39;, &#39;H&#39;, &#39;+&#39;, &#39;1&#39;, &#39;2&#39;, &#39;^&#39;,               &#39;<&#39;, &#39;>&#39;, &#39;.&#39;, &#39;4&#39;, &#39;H&#39;, &#39;+&#39;, &#39;1&#39;, &#39;2&#39;, &#39;s&#39;, &#39;p&#39;, &#39;x&#39;, &#39;D&#39;, &#39;d&#39;, &#39;|&#39;, &#39;_&#39;]    for i in range(len(canopies)):
        canopy = canopies[i]
        center = canopy[0]
        components = canopy[1]
        sc.plot(center[0], center[1], marker=markers[i],
                color=colors[i], markersize=10)
        t1_circle = plt.Circle(
            xy=(center[0], center[1]), radius=t1, color=&#39;dodgerblue&#39;, fill=False)
        t2_circle = plt.Circle(
            xy=(center[0], center[1]), radius=t2, color=&#39;skyblue&#39;, alpha=0.2)
        sc.add_artist(t1_circle)
        sc.add_artist(t2_circle)        for component in components:
            sc.plot(component[0], component[1],
                    marker=markers[i], color=colors[i], markersize=1.5)
    maxvalue = np.amax(dataset)
    minvalue = np.amin(dataset)
    plt.xlim(minvalue - t1, maxvalue + t1)
    plt.ylim(minvalue - t1, maxvalue + t1)
    plt.show()

렌더링은 다음과 같습니다.

위 내용은 Python에서 캐노피 클러스터링을 구현하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!