使用均值漂移来量化带宽分类数据

均值漂移概念

均值漂移的基本概念：沿着密度上升方向寻找聚簇点，其计算过程如下：
1 均值漂移算法首先找到一个中心点center（随机选择），然后根据半径划分一个范围
把这个范围内的点输入簇x的标记个数加1
2 在这个范围内，计算其它点到这个点的平均距离，并把这个平均距离当成偏移量 shift
3 把中心点center 移动偏移量 shift 个单位，当成新的中心点
4 重复上述步骤直到 shift小于一定阈值，即收敛
5 如果当前簇x的center和另一个簇x2的center距离小于一定阈值，则把当前簇归类为x2，否则聚类的类别+1
6 重复遍历所有点
其核心作用，自动分类，虽然人眼一眼就能看到大概的目标分类，但是在计算机里面，无法有感官计算，通过数值计算才能分别数据

使用sklearn 中的均值漂移函数来分类

1 生成等差数据看看，
我们使用np.linspace 去生成等差数列，用a,b 分别代表x轴，y轴，用list(zip) 变成散点

estimate_bandwidth 函数用来量化带宽

import numpy as np
from matplotlib import pyplot as plt
from sklearn.cluster import MeanShift, estimate_bandwidth
from sklearn.cluster.tests.common import generate_clustered_data

a=np.linspace(0,100,15)
b=np.linspace(20,120,15)
#c=np.linspace(300,599,20)
print(a)
print(b)
c=list(zip(a,b))
print(c)
X = c 

 #quantile 控制是否同一类别的距离
bandwidth = estimate_bandwidth(X, quantile=0.3, n_samples=len(X))
print(bandwidth)


meanshift = MeanShift(bandwidth=bandwidth, bin_seeding=True)  # 构建对象
meanshift.fit(X)
labels = meanshift.labels_

print(np.unique(labels))

fig, ax = plt.subplots()
cluster_num = len(np.unique(labels))  # label的个数，即自动划分的族群的个数
for i in range(0, cluster_num):
     x = []
     y = []
     for ind, label in enumerate(labels):
         if label == i:
             x.append(X[ind][0])
             y.append(X[ind][1])
     ax.scatter(x, y, s=1)
 
plt.show()

即使是等差数列我们也可以看到sklearn也能帮我们分类，图中可以看到根据颜色分成了四类

，我们使用自己造的数据来形成数据，像下面这样的数组
X = [[10.5,20.2], [11.1,21.1],[9,20],[8.0,22.1],[30.5,5.0],[31.7,7.1],[31.2,8.1],[100,20],[101,21],[100,17]]
打印出来的分类为[0,1,2] , 为三类，图中可以看出，确实如此。

使用函数生成

sklearn 有一个函数generate_clustered_data，生成族数据，为了演示，我们不使用手工造数据
X = generate_clustered_data(seed=1, n_samples_per_cluster=1000)

上图非常清楚，分成了三类

import numpy as np
from matplotlib import pyplot as plt
from sklearn.cluster import MeanShift, estimate_bandwidth
from sklearn.cluster.tests.common import generate_clustered_data

a=np.linspace(0,100,15)
b=np.linspace(20,120,15)
#c=np.linspace(300,599,20)
print(a)
print(b)
c=list(zip(a,b))
print(c)



X = generate_clustered_data(seed=1, n_samples_per_cluster=1000)
#X = [[10.5,20.2], [11.1,21.1],[9,20],[8.0,22.1],[30.5,5.0],[31.7,7.1],[31.2,8.1],[100,20],[101,21],[100,17]] 
#X = c 

 #quantile 控制是否同一类别的距离
bandwidth = estimate_bandwidth(X, quantile=0.3, n_samples=len(X))
print(bandwidth)


meanshift = MeanShift(bandwidth=bandwidth, bin_seeding=True)  # 构建对象
meanshift.fit(X)
labels = meanshift.labels_

print(np.unique(labels))

fig, ax = plt.subplots()
cluster_num = len(np.unique(labels))  # label的个数，即自动划分的族群的个数
for i in range(0, cluster_num):
     x = []
     y = []
     for ind, label in enumerate(labels):
         if label == i:
             x.append(X[ind][0])
             y.append(X[ind][1])
     ax.scatter(x, y, s=1)
 
plt.show()

代码非常简单，用好sklearn就行了