Python实现鸢尾花的K-means聚类剖析

Python对鸢尾花开展K-means聚类的深入解析

借助vscode软件进行编写

相关的包与算法

• pandas：用于数据的处理和剖析。在鸢尾花聚类分析场景中发挥作用
• numpy：用于进行数值方面的计算。
• matplotlib.pyplot：用来进行绘图操作。
• sklearn.cluster.KMeans：用于执行K-means聚类算法。
• sklearn.metrics：用于对聚类的性能进行评估。
• seaborn：用于绘制更加美观的图形。

  import pandas as pd
  import numpy as np
  import matplotlib.pyplot as plt
  from sklearn.cluster import KMeans
  from sklearn import metrics
  import seaborn as sns
  

数据的加载与处理

• 把已经下载好的数据进行导入（能够前往Iris - UCI Machine Learning Repository官网进行下载）
• 包含四个特征：萼片长度（Sepal Length）、萼片宽度（Sepal Width）、花瓣长度（Petal Length）和花瓣宽度（Petal Width），还有一个目标变量“Species”（种类）
• 由于K-means聚类属于无监督学习算法，不需要目标变量，所以从数据集中把最后一列删除，此时X就只包含四个特征列了。
  data = pd.read_table("D:\AIExercise\iris.data")
  # print(data)
  # 将下载的data数据转换成csv数据
  data.to_csv("D:\AIExercise\iris.csv",sep='|',index=False)
  print(data)

  # 直接读取csv文件
  iris = pd.read_csv("D:\\AIExercise\\iris.csv", header=None)
  # 给数据添加列名
  iris.columns = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species']
  # 查看数据的前几行，保证数据加载正确
  print(iris.head(15))
  # 提取特征数据（不包含最后一列的物种名称）
  X = iris.iloc[:, :-1].values
  

• 聚类结果的获取以及聚类中心的确定

• 为了挑选合适的聚类数（也就是n_clusters的值），能够运用肘部法则（Elbow Method）。肘部法则通过观察随着聚类数增加，聚类的总平方误差（Within-Cluster Sum of Squares, WCSS）的变化态势来确定最佳聚类数。当聚类数增加时，WCSS会逐步减小，不过当达到某个点后，WCSS的下降速度会显著变缓，这个点通常被视作最佳聚类数。

• 通过观察肘部图，选取合适的聚类数。一般来说，在肘部位置（SSE下降速度明显变缓的位置）对应的聚类数比较合理。对于鸢尾花数据集，通常选取3个聚类数。
  # 使用肘部法则来确定最佳聚类数
  wcss = []
  for i in range(1, 11): # 测试1到10个聚类
  kmeans = KMeans(n_clusters=i, random_state=0)
  kmeans.fit(X)
  wcss.append(kmeans.inertia_) # inertia_是WCSS的值

  # 绘制肘部图
  plt.figure(figsize=(10, 6))
  plt.plot(range(1, 11), wcss, marker='o')
  plt.title('Elbow Method For Optimal Number of Clusters')
  plt.xlabel('Number of Clusters')
  plt.ylabel('WCSS')
  plt.xticks(range(1, 11))
  plt.show()
  
  # 使用KMeans进行聚类分析
  # 这里假设我们已经知道鸢尾花有3个类别，所以设置n_clusters=3
  kmeans = KMeans(n_clusters=3, random_state=0)
  kmeans.fit(X)
  
  # 把聚类结果标签添加到原始数据中
  iris['cluster'] = kmeans.labels_
  
  # 查看聚类结果
  print(iris.head(15))
  

聚类结果的可视化（以sepal_length和sepal_width为例）

• 为了直观地展示聚类结果，可以通过二维散点图来进行可视化。由于鸢尾花数据集有四个特征，能够选取其中两个特征（以sepal_length和sepal_width为例）来进行可视化。不同的颜色代表不同的聚类，黑色的X标记表示聚类中心。
  plt.figure(figsize=(10, 6))
  sns.scatterplot(x='sepal_length', y='sepal_width', hue='cluster', data=iris, palette='viridis', s=100)
  plt.title('KMeans Clustering of Iris Dataset')
  plt.show()

• 

• 存在中文字需要设置参数

  # 设置绘图参数，保证中文和负号能够正常显示
  plt.rcParams['font.sans-serif'] = ['SimHei']
  plt.rcParams['axes.unicode_minus'] = False
  

聚类效果的评估

• 可以运用一些指标来评估聚类性能，比如轮廓系数（Silhouette Coefficient）和戴维斯-邦丁指数（Davies-Bouldin Index）。还有每个类别的中心点
  # 计算轮廓系数
  silhouette_avg = metrics.silhouette_score(X, kmeans.labels_)
  print(f'Silhouette Score: {silhouette_avg:.2f}')
  # 计算戴维斯-邦丁指数
  dbi = metrics.davies_bouldin_score(X, kmeans.labels_)
  print(f"戴维斯-邦丁指数：{dbi:.2f}")

  # 输出聚类中心
  cluster_centers = kmeans.cluster_centers_
  print("Cluster Centers:\n", cluster_centers)
  
  # 计算每个类别的中心点
  cluster_centers = kmeans.cluster_centers_
  print("Cluster Centers:\n", cluster_centers)
  

• •