【Python机器学习实战】聚类算法——层次聚类(HAC)和DBSCAN

层次聚类和DBSCAN

1.层次聚类

下面这样的结构应该比较常见，这就是一种层次聚类的树结构，层次聚类是通过计算不同类别点的相似度创建一颗有层次的树结构，在这颗树中，树的底层是原始数据点，顶层是一个聚类的根节点。

创建这样一棵树的方法有自底向上和自顶向下两种方式。

下面介绍一下如何利用自底向上的方式的构造这样一棵树：

为了便于说明，假设我们有5条数据，对这5条数据构造一棵这样的树，如下是5条数据：

第一步，计算两两样本之间相似度，然后找到最相似两条数据（假设1、2两个最相似），然后将其merge起来，成为1条数据：

现在数据还剩4条，然后同样计算两两之间的相似度，找出最相似的两条数据（假设前两条最相似），然后再merge起来：

现在还剩余3条数据，然后继续重复上面的步骤，假设后面两条数据最相似，那么：

然后还剩余两条数据，再把这两条数据merge起来，最终完成一个树的构建：

上述就是自底向上聚类树的构建过程，自顶向下的过程与之相似，只不过初始数据是一个类别，不断分裂出距离最远的那个点，知道所有的点都成为叶子结点。

那么我们如何根据这棵树进行聚类呢？

我们从树的中间部分切一刀，像下面这样：

然后叶子节点被分成两个类别，也可以像下面这样切：

那么样本集就被分成3个类别。 这个切割的线是由一个阈值“threshold”来决定切在什么位置，而这个阈值是需要预先给定的 。

但在实做过程中，往往不需要先构建一棵树，再去进行切分，注意看上面切分，切完后，所剩余的节点数量就是类别个数。

那么在 建树的过程中，当达到所指定的类别后，则就可以停止树的建立了 。

下面看一下HAC（自底向上）的实现过程：

import math
import numpy as np


def euler_distance(point1, point2):
    distance = 0.0
    for a, b in zip(point1, point2):
        distance += math.pow(a-b, 2)
    return math.sqrt(distance)


# 定义聚类树的节点
class ClusterNode:
    def __init__(self, vec, left=None, right=None, distance=-1, id=None, count=1):
        """
        vec: 保存两个数据merge后新的中心
        left: 左节点
        right: 右节点
        distance: 两个节点的距离
        id: 保存哪个节点是计算过的
        count: 这个节点的叶子节点个数
        """
        self.vec = vec
        self.left = left
        self.right = right
        self.distance = distance
        self.id = id
        self.count = count


# 层次聚类的类
# 不同于文中所说的先构建树，再进行切分，而是直接根据所需类别数目，聚到满足条件的节点数量即停止
# 和k-means一样，也需要指定类别数量
class Hierarchical:
    def __init__(self, k=1):
        assert k > 0
        self.k = k
        self.labels = None

    def fit(self, x):
        # 初始化节点各位等于数据的个数
        nodes = [ClusterNode(vec=v, id=i) for i, v in enumerate(x)]
        distance = {}
        point_num, feature_num = np.shape(x)
        self.labels = [-1] * point_num
        currentclustid = -1
        while len(nodes) > self.k:
            min_dist = np.inf
            # 当前节点的个数
            nodes_len = len(nodes)
            # 最相似的两个类别
            closest_part = None
            # 当前节点中两两距离计算，找出最近的两个节点
            for i in range(nodes_len-1):
                for j in range(i+1, nodes_len):
                    # 避免重复计算
                    d_key = (nodes[i].id, nodes[j].id)
                    if d_key not in distance:
                        distance[d_key] = euler_distance(nodes[i].vec, nodes[j].vec)
                    d = distance[d_key]
                    if d < min_dist:
                        min_dist = d
                        closest_part = (i, j)
            part1, part2 = closest_part
            node1, node2 = nodes[part1], nodes[part2]
            # 将两个节点进行合并,即两个节点所包含的所有数据的平均值
            new_vec = [(node1.vec[i] * node1.count + node2.vec[i] * node2.count) / (node1.count + node2.count)
                       for i in range(feature_num)]
            new_node = ClusterNode(vec=new_vec, left=node1, right=node2, distance=min_dist, id=currentclustid,
                                   count=node1.count + node2.count)
            currentclustid -= 1
            # 删掉这最近的两个节点
            del nodes[part2], nodes[part1]
            # 把新的节点添加进去
            nodes.append(new_node)
        # 树建立完成，这里要注意，在示例中是最终凝聚为1个节点，而这里到达所要指定的类别数目即停止，一个node属于一个类别
        self.nodes = nodes
        # 给每个node以及node包含的数据打上标签
        self.calc_label()

    def calc_label(self):
        # 调取聚类结果
        for i, node in enumerate(self.nodes):
            self.leaf_traversal(node, i)

    def leaf_traversal(self, node: ClusterNode, label):
        # 递归遍历叶子结点
        if node.left is None and node.right is None:
            self.labels[node.id] = label
        if node.left:
            self.leaf_traversal(node.left, label)
        if node.right:
            self.leaf_traversal(node.right, label)

通过读取sklearn自带的鸢尾花的数据库，测试一下：

from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
iris = load_iris()

my = Hierarchical(4)
my.fit(iris.data)
data = iris.data
data_0 = data[np.nonzero(np.array(my.labels) == 0)]
data_1 = data[np.nonzero(np.array(my.labels) == 1)]
data_2 = data[np.nonzero(np.array(my.labels) == 2)]
data_3 = data[np.nonzero(np.array(my.labels) == 3)]
plt.scatter(data_0[:, 0], data_0[:, 1])
plt.scatter(data_1[:, 0], data_1[:, 1])
plt.scatter(data_2[:, 0], data_2[:, 1])
plt.scatter(data_3[:, 0], data_3[:, 1])

print(np.array(my.labels))

from sklearn.cluster import KMeans
km = KMeans(4)
km.fit(iris.data)
print(km.labels_)


data_0_ = data[np.nonzero(np.array(km.labels_) == 0)]
data_1_ = data[np.nonzero(np.array(km.labels_) == 1)]
data_2_ = data[np.nonzero(np.array(km.labels_) == 2)]
data_3_ = data[np.nonzero(np.array(km.labels_) == 3)]
plt.figure()
plt.scatter(data_0_[:, 0], data_0_[:, 1])
plt.scatter(data_1_[:, 0], data_1_[:, 1])
plt.scatter(data_2_[:, 0], data_2_[:, 1])
plt.scatter(data_3_[:, 0], data_3_[:, 1])

可以看到，两种结果差不多，但是也有些不同。

其实sklearn中也有层次聚类算法，上面是为了更好理解层次聚类的算法过程，下面利用sklearn库实现层次聚类算法：

from sklearn.cluster import AgglomerativeClustering
from sklearn.preprocessing import MinMaxScaler
model = AgglomerativeClustering(n_clusters=4, affinity='euclidean', memory=None, connectivity=None,
                                compute_full_tree='auto', linkage='ward', pooling_func='deprecated')
"""
参数：
    n_cluster: 聚类数目
    affinity: 计算距离的方法，'euclidean'为欧氏距离, 'manhattan'曼哈顿距离, 'cosine'余弦距离, 'precompute'预先计算的affinity matrix;
    memory: None, 给定一个地址，层次聚类的树缓存在相应的地址中；
    linkage: 层次聚类判断相似度的方法，有三种：
             'ward': 即single-linkage
             'average': 即average-linkage
             'complete': 即complete-linkage
"""
"""
属性：
    labels_： 每个数据的分类标签
    n_leaves_：分层树的叶节点数量
    n_components：连接图中连通分量的估计值
    children：一个数组，给出了每个非节点数量
"""

data_array = np.array(load_iris().data[:50, :])
min_max_scalar = MinMaxScaler()
data_scalar = min_max_scalar.fit_transform(data_array)
model.fit(min_max_scalar)


from scipy.cluster.hierarchy import linkage, dendrogram
plt.figure(figsize=(20, 6))
Z = linkage(data_scalar, method='ward', metric='euclidean')
p = dendrogram(Z, 0)
plt.show()

有关参数已在上面进行注释，关于类别间的距离计算，有三种：single-linkage、complete-linkage和average-linkage，一个是以最近距离作为类别间的距离，一个是以最远距离作为类间距离，还有是以各个样本距离总的平均值为类间距离。

代码后半部分是生成一个开篇说的那种图的可视化方式，限于显示需要，只取前50个数据，生成的树的结果如图所示（这里并没有分类，而是一种可视化的形式）：

层次聚类的优缺点：

优点：

1、距离的定义比较容易，而且比较自由；

2、有时可以不用指定所需类别个数，就像前面说的，我们可以通过阈值来进行类的划分；

3、可以生成非球形的簇，发现层次间的关系。

缺点：

1、在建树过程中要计算每个样本间的距离，计算复杂度较高；

2、算法对于异常值比较敏感，影响聚类效果；

3、容易形成链状的簇。

2.DBSCAN

前面说了层次聚类算法，其实原理比较简单，但对于噪声（异常值）比较敏感，且基于距离的算法只能发现“类圆形”的簇。

另一种聚类算法 DBSCAN算法是一种基于密度的聚类算法，它能够克服前面说到的基于距离聚类的缺点，且对噪声不敏感，它可以发现任意形状的簇 。

DBSCAN的主旨思想是 只要一个区域中的点的密度大于一定的阈值，就把它加到与之相近的类别当中去 。

那么究竟是如何做呢，我们首先需要了解与DBSCAN有关的几个概念：

先看下面一张图，结合图来理解下面几个概念：

（1） ε-邻域： 一个对象在半径为ε内的区域，简单来说就是在给定一个数据为圆心画一个半径为ε的圈；

（2） 核心对象： 对于给定的一个数值m，在某个对象的邻域内，至少包含m个点，则称之为核心，简单来说就是某个对象的圈内的数据大于m个，则这个对象就是核心；

（3） 直接密度可达： 结合上图，给定一个对象q，如果这个对象的邻域内有大于m个点，而另一个对象p又在这个邻域内，则称之为p是q的直接密度可达；

（4） 间接密度可达： 如下一张图，p1是q的直接密度可达，而p是p1的直接密度可达，那么p则是q的密度可达；

（5） 密度相连 ： 假设一个对象O，是对象p的密度可达，而q是O的密度可达，那么p和q则是密度相连的。

（6） 簇 ：基于密度聚类的簇就是最大的密度相连的所有对象的集合；

（7） 噪声 ：不属于任何簇中的对象称之为噪声；

其实上面的概念看似复杂，这里也进行了简化，原先的定义更加比较难理解，但 结合当前疫情感染情况 ，我们可以试着对上面概念进行一个类比和解释：

假设某个区域突然发现1例感染者，那么防疫人员就要对这个人轨迹进行溯源，就假设这个人的活动区域就是一个圆，那么这个圆就称为这个确诊者的 邻域 ；

然后来过该区域内的所有人员进行核酸筛查，假设发现有3个以上的确诊者，就算中高风险地区了，通过筛查发现第一个人的邻域内有5个确诊者，那么第1个病例这里称之为A，就是 核心 ；

由于这5个人都到过这个区域，那么这5个人的任意一个人都是A的 直接密度可达 。

这里注意， 直接密度可达是一个不对称的 ，可以说这5个其中一个是A的直接密度可达，但不能说第1个病例是这5个的直接密度可达，因为这5个人的活动范围只是与A有交集，但在其各自的活动范围内，并不一定都有超过3个确诊病例；

在又筛查出来5个以后，防疫人员又要进一步扩大核酸范围，那么需要分别对这另外5个人的活动范围进行排查；

经排查发现其中一个确诊者，这里称之为B，B的活动范围内有3个阳性，那么这里B就也是一个 核心 ，其中一个称之为C，不在A的邻域内，那么 C是B的直接密度可达 ， C是A的间接密度可达 ；

这里注意，间接密度可达同样也是不对称的，同样的道理，可以说C是A的间接密度可达，不能说A是C的间接密度可达；

接下来，防疫人员又要对C的邻域进行排查，发现C的活动范围内也有3个确诊者，那么C也是一个 核心， 而这3个确诊者当中，有一个没有来过B的活动范围 ，称之为D；

那么，D是C的直接密度可达，D是B的间接密度可达，D是A的密度相连。密度相连是一个对称的概念，因为二者都与C有关；

然后，上面的这些人的活动区域连接起来，则就构成了整个中高风险地区，也就是一个 簇；

假设在另一个区域又突然发现一名确诊者，经排查后，如果这个确诊者也作为核心向周围扩散发现很多确诊者，那么这就形成了一个 新的簇 ；

如果其所在区除了他自己，没有别的确诊病例了，因此，这个就是属于 噪声点。

通过上面的举例，应该可以很好理解有关密度聚类的几个概念了，而且能够为后面算法的理解更容易。

那么根据上面簇的概念和所举的例子，有关DBSCAN的算法过程就比较简单理解了：

下面再举一个实际的例子，来看一下DNSCAN的算法处理过程，例子来源于水印。

假设有一组数据，设定MinPts=3，ε=3，数据如图所示：

第一步：

首先扫描点p1(1,2)，以p1为中心：

（1）p1的邻域内有点{p1,p2,p3,p13}，因此p1是核心点；

（2）以p1为核心点，建立簇C1；找出所有与p1的密度可达的点；

（3）p2的邻域内为{p1,p2,p3,p4,p13}，因此p4属于p1的密度可达，p4属于簇C1；

（4）p3的邻域内为{p1,p2,p3,p4,p13}，这些点都已属于簇C1，继续；

（5）p4的邻域内为{ p3,p4,p13 }，这些点也都属于簇C1，继续；

（6）p13的邻域内为{p2,p3,p4,p13}，也都处理过了

至此，以p1为核心的密度可达的数据点搜索完毕，得到簇C1，包含{ p1,p2,p3,p13,p4 }

第二步：

继续扫描点，到p5，以p5为中心：

（1）计算p5邻域内的点{ p5,p6,p7,p8 }，因此p5也是核心点；

（2）以p5为核心点 ，建立簇C2，找出所有与p5的密度可达的点；

（3）同第一步中一样，依次扫描p6、p7、p8;

得到以p5为核心点的簇C2，包含的点为{ p5,p6,p7,p8 }。

第三步：

继续扫描点，到点p9，以p9为中心：

（1）p9的邻域内的点为{p9}，所以p9b不是核心点，进行下一步

第四步：

继续扫描点，到点p10，以p10为中心：

（1）p10的领域内的点为{ p10,p11 }，所以p10不是核心点，进行下一步。

第五步：

继续扫描到点p11，以p11为中心：

（1）计算p11邻域内的点为{ p11,p10,p12 }，所以p11是核心点；

（2）以p11为核心点建立簇C3，找出所有的密度可达点；

（3）p10已被处理处理过，继续扫描；

（4）扫描p12，p12邻域内{ p12,p11 }；

至此，p11的密度可达点都搜索完毕，形成簇C3，包含的点为{ p11,p10,p12 }

第六步：

继续扫描点，p12，p13都已被处理过，至此所有点都被处理过，算法结束。

下面对DBSCAN进行算法的实现，首先是算法的步骤实现，然后再用sklearn进行实现：

import numpy as np
import random
import matplotlib.pyplot as plt
import copy
from sklearn import datasets


# 搜索邻域内的点
def find_neighbor(j, x, eps):
    """
    :param j: 核心点的索引
    :param x: 数据集
    :param eps:邻域半径
    :return:
    """
    temp = np.sum((x - x[j]) ** 2, axis=1) ** 0.5
    N = np.argwhere(temp <= eps).flatten().tolist()
    return N


def DBSCAN(X, eps, MinPts):
    k = -1
    # 保存每个数据的邻域
    neighbor_list = []
    # 核心对象的集合
    omega_list = []
    # 初始化，所有的点记为未处理
    gama = set([x for x in range(len(X))])
    cluster = [-1 for _ in range(len(X))]

    for i in range(len(X)):
        neighbor_list.append(find_neighbor(i, X, eps))
        if len(neighbor_list[-1]) >= MinPts:
            omega_list.append(i)

    omega_list = set(omega_list)
    while len(omega_list) > 0:
        gama_old = copy.deepcopy(gama)
        # 随机选取一个核心点
        j = random.choice(list(omega_list))
        # 以该核心点建立簇Ck
        k = k + 1
        Q = list()
        # 选取的核心点放入Q中处理，Q中只有一个对象
        Q.append(j)
        # 选取核心点后，将核心点从核心点列表中删除
        gama.remove(j)
        # 处理核心点，找出核心点所有密度可达点
        while len(Q) > 0:
            q = Q[0]
            # 将核心点移出，并开始处理该核心点
            Q.remove(q)
            # 第一次判定为True，后面如果这个核心点密度可达的点还有核心点的话
            if len(neighbor_list[q]) >= MinPts:
                # 核心点邻域内的未被处理的点
                delta = set(neighbor_list[q]) & gama
                delta_list = list(delta)
                # 开始处理未被处理的点
                for i in range(len(delta)):
                    # 放入待处理列表中
                    Q.append(delta_list[i])
                    # 将已处理的点移出标记列表
                    gama = gama - delta
        # 本轮中被移除的点就是属于Ck的点
        Ck = gama_old - gama
        Cklist = list(Ck)
        # 依次按照索引放入cluster结果中
        for i in range(len(Ck)):
            cluster[Cklist[i]] = k
        omega_list = omega_list - Ck
    return cluster


X1, y1 = datasets.make_circles(n_samples=2000, factor=.6, noise=.02)
X2, y2 = datasets.make_blobs(n_samples=400, n_features=2, centers=[[1.2, 1.2]], cluster_std=[[.1]], random_state=9)
X = np.concatenate((X1, X2))
eps = 0.08
min_Pts = 10
C = DBSCAN(X, eps, min_Pts)
plt.figure()
plt.scatter(X[:, 0], X[:, 1], c=C)
plt.show()

运行结果如图所示：

然后就是利用sklearn中的DBSCAN类进行实现：

from sklearn.cluster import DBSCAN

model = DBSCAN(eps=0.08, min_samples=10, metric='euclidean', algorithm='auto')
"""
eps: 邻域半径
min_samples：对应MinPts
metrics: 邻域内距离计算方法，之前在层次聚类中已经说过，可选有： 
        欧式距离：“euclidean”
        曼哈顿距离：“manhattan”
        切比雪夫距离：“chebyshev” 
        闵可夫斯基距离：“minkowski”
        带权重的闵可夫斯基距离：“wminkowski”
        标准化欧式距离： “seuclidean”
        马氏距离：“mahalanobis”
algorithm：最近邻搜索算法参数，算法一共有三种，
        第一种是蛮力实现‘brute’，
        第二种是KD树实现‘kd_tree’，
        第三种是球树实现‘ball_tree’， 
        ‘auto’则会在上面三种算法中做权衡
leaf_size：最近邻搜索算法参数，为使用KD树或者球树时， 停止建子树的叶子节点数量的阈值
p: 最近邻距离度量参数。只用于闵可夫斯基距离和带权重闵可夫斯基距离中p值的选择，p=1为曼哈顿距离， p=2为欧式距离。

"""
model.fit(X)
plt.figure()
plt.scatter(X[:, 0], X[:, 1], c=model.labels_)
plt.show()

上面一些参数是需要调的，如eps和MinPts，基于 密度聚类对这两个参数敏感。

关于DBSCAN的优缺点：

优点

1、不必指定聚类的类别数量；

2、可以形成任意形状的簇，而K-means只适用于凸数据集；

3、对于异常值不敏感；

缺点：

1、计算量较大，对于样本数量和维度巨大的样本，计算速度慢，收敛时间长，这时可以采用KD树进行改进；

2、对于eps和MinPts敏感，调参复杂，需要联合调参；

3、 样本集的密度不均匀、聚类间距差相差很大时，聚类质量较差，这时用 DBSCAN 算法一般不适合；

4、样本同采用一组参数聚类，有时不同的簇的密度不一样，有人提出OPTICS聚类算法（有空会把这一算法补上）；

5、由于对噪声不敏感，在一些领域，如异常检测不适用。