Scikit-learn---5.聚类模型

（一）通用方法、参数

1.通用方法

1. get_params([deep])：返回模型的参数。

   1. deep： 如果为True，则可以返回模型参数的子对象。

2. set_params(**params)：设置模型的参数。

   1. params：待设置的关键字参数。

3. fit(X[, y, sample_weight]) ：训练模型。

   1. X ：样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。
   2. y ：样本的标签集合。它与X 的每一行相对应。
   3. sample_weight：样本的权重。其形状为 [n_samples,]，每个元素代表一个样本的权重。

4. predict(X, sample_weight)：返回每个样本所属的簇标记。

   1. X ：样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。
   2. sample_weight：样本的权重。其形状为 [n_samples,]，每个元素代表一个样本的权重。

5. fit_predict(X[, y, sample_weight]) ：训练模型并执行聚类，返回每个样本所属的簇标记。

   1. X ：样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。
   2. y ：样本的标签集合。它与X 的每一行相对应。
   3. sample_weight：样本的权重。其形状为 [n_samples,]，每个元素代表一个样本的权重。

6. transform(X)：将数据集 X 转换到cluster center space 。

   在cluster center space 中，样本的维度就是它距离各个聚类中心的距离。

   1. X ：样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。

7. fit_transform(X[, y, sample_weight])：训练模型并执行聚类，将数据集 X 转换到cluster center space 。

   1. X ：样本集合。通常是一个numpy array，每行代表一个样本，每列代表一个特征。
   2. y ：样本的标签集合。它与X 的每一行相对应。
   3. sample_weight：样本的权重。其形状为 [n_samples,]，每个元素代表一个样本的权重。

2.通用参数

1. n_jobs：一个正数，指定任务并形时指定的 CPU数量。

   如果为 -1 则使用所有可用的 CPU。

2. verbose：一个正数。用于开启/关闭迭代中间输出日志功能。

   1. 数值越大，则日志越详细。
   2. 数值为0或者None，表示关闭日志输出。

3. max_iter ：一个整数，指定最大迭代次数。

   如果为None则为默认值（不同solver的默认值不同）。

4. tol：一个浮点数，指定了算法收敛的阈值。

5. random_state：一个整数或者一个RandomState实例，或者None。

   1. 如果为整数，则它指定了随机数生成器的种子。
   2. 如果为RandomState实例，则指定了随机数生成器。
   3. 如果为None，则使用默认的随机数生成器。

一、KMeans

二、DBSCAN

class sklearn.cluster.DBSCAN(eps=0.5, min_samples=5, metric='euclidean', 
metric_params=None, algorithm='auto', leaf_size=30, p=None, n_jobs=None)

1.参数

1. eps：$epsilon$参数，用于确定邻域大小。
   

2. min_samples：$MinPts$参数，用于判断核心对象。

3. metric：一个字符串或者可调用对象，用于计算距离。

   如果是字符串，则必须是metrics.pairwise.calculate_distance中指定的。

4. metric_params：一个字典，当metric 为可调用对象时，为metric 提供关键字参数。

5. algorithm：一个字符串，用于计算两点间距离并找出最近邻的点。可以为：

   1. 'auto'：由算法自动选取合适的算法。
   2. 'ball_tree'：用ball树来搜索。
   3. 'kd_tree'：用kd树来搜索。
   4. 'brute'：暴力搜索。

6. leaf_size：一个整数，用于指定当algorithm=ball_tree或者kd_tree时，树的叶结点大小。

   该参数会影响构建树、搜索最近邻的速度，同时影响存储树的内存。

7. p：一个浮点数，指定闵可夫斯基距离的$p$值。

8. n_jobs：指定并行度。

2.属性

1. core_sample_indices_：一个形状为[n_core_samples,] 的数组，给出了核心样本在原始训练集中的位置。

2. components_：一个形状为[n_core_samples,n_features] 的数组，给出了核心样本的一份拷贝

3. labels_：一个形状为[n_samples,] 的数组，给出了每个样本所属的簇标记。

   对于噪音样本，其簇标记为 -1。

3.方法

1. fit(X[, y, sample_weight])：训练模型。
2. fit_predict(X[, y, sample_weight])：训练模型并执行聚类，返回每个样本所属的簇标记。

4.考察$epsilon$参数的影响

1. ARI指数随着 $epsilon$的增长，先上升后保持平稳最后断崖下降。 断崖下降是因为产生的训练样本的间距比较小，最远的两个样本点之间的距离不超过 30。当$epsilon$过大时，所有的点都在一个邻域中。

2. 核心样本数量随着$epsilon$的增长而上升。这是因为随着$epsilon$的增长，样本点的邻域在扩展，则样本点邻域内的样本会更多，这就产生了更多满足条件的核心样本点。但是样本集中的样本数量有限，因此核心样本点数量的增长到一定数目后稳定。

5.考察$MinPts$参数的影响

1. ARI指数随着$MinPts$的增长，平稳的下降。

2. 核心样本数量随着$MinPts$的增长基本上线性下降。这是因为随着$MinPts$的增长，样本点的邻域中必须包含更多的样本才能使它成为一个核心样本点。因此产生的核心样本点越来越少。

三、MeanShift

四、AgglomerativeClustering

五、BIRCH

六、GaussianMixture

七、SpectralClustering