KMeans实战——聚类和轮廓系数评估啤酒数据集

原理:

在数据分析和机器学习中,聚类是一种常用的无监督学习方法,用于将数据集中的样本划分为若干个簇,使得同一簇内的样本相似度较高,而不同簇之间的样本相似度较低。KMeans算法是其中最常用的聚类算法之一。本文将介绍如何使用KMeans算法对啤酒数据集进行聚类,并使用轮廓系数(Silhouette Score)来评估聚类结果的质量。

1. 数据准备

首先,我们需要导入必要的库并加载数据集。本文使用的数据集是一个啤酒数据集,包含啤酒的热量(calories)、钠含量(sodium)、酒精含量(alcohol)和成本(cost)等特征。

python 复制代码
import pandas as pd
from sklearn.cluster import KMeans
from sklearn import metrics
import matplotlib.pyplot as plt

# 加载数据集
beer = pd.read_table('data.txt', sep=' ', encoding='utf-8', engine='python')

# 选择特征
X = beer[['calories', 'sodium', 'alcohol', 'cost']]

2. 轮廓系数简介

轮廓系数是一种用于评估聚类质量的指标,其值介于-1和1之间。轮廓系数越接近1,表示聚类结果越好;越接近-1,则表示聚类结果可能存在问题。轮廓系数的计算公式如下:

其中:

3. 计算不同簇数的轮廓系数

为了找到最佳的簇数,我们可以尝试不同的簇数,并计算每个簇数对应的轮廓系数。代码如下:

python 复制代码
scores = []
for k in range(2, 10):
    labels = KMeans(n_clusters=k).fit(X).labels_  # 聚类
    score = metrics.silhouette_score(X, labels)  # 计算轮廓系数
    scores.append(score)

print(scores)

4. 绘制轮廓系数随簇数变化的曲线

为了更直观地观察轮廓系数随簇数的变化,我们可以绘制轮廓系数曲线:

python 复制代码
plt.plot(list(range(2, 10)), scores)
plt.xlabel('Number of Clusters')
plt.ylabel('Silhouette Score')
plt.show()

通过观察曲线,我们可以选择一个轮廓系数较高的簇数作为最终的聚类数。

5. 进行聚类并评估结果

假设我们选择簇数为2,进行聚类并评估结果:

python 复制代码
# 聚类
km = KMeans(n_clusters=2).fit(X)
beer['cluster'] = km.labels_

# 计算轮廓系数
score = metrics.silhouette_score(X, beer.cluster)
print(score)

6、运行结果

总结

本文介绍了如何使用KMeans算法对啤酒数据集进行聚类,并使用轮廓系数来评估聚类结果的质量。通过尝试不同的簇数并计算轮廓系数,我们可以选择一个合适的簇数,从而得到较好的聚类结果。轮廓系数是一个非常有用的指标,可以帮助我们判断聚类结果的好坏。

相关推荐
VIP_CQCRE2 小时前
GPT Image 2.6 商品图换背景后悬浮?接触阴影、透明区域与反射验收
图像处理·人工智能·ai·电商
泯泷3 小时前
别再傻傻地喂文件了,大厂都在偷偷给AI建这种“专属图书馆”
人工智能
oak隔壁找我3 小时前
一款运行在 DSH(DeepSeek Harness)中的类 Postman HTTP 接口调试插件
人工智能·程序员
高洁013 小时前
数字孪生与计算机视觉:让机器看懂现场
人工智能·python·机器学习·transformer·迁移学习
Csvn4 小时前
如果明天供应商涨价 3 倍?三层解耦,换模型只改一行配置(C05)
人工智能·aigc·agent
在所不辞兄5 小时前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习
锋行天下5 小时前
langgraph 全栈项目(三)
前端·人工智能·后端
黄啊码6 小时前
【黄啊码】最近面了十几个想转 FDE 的程序员,一个都没招
人工智能
锋行天下6 小时前
langgraph 全栈项目(二)
前端·人工智能·后端
大模型真好玩6 小时前
用 Seedance 2.5 Flash 实现1分钟AI短剧,满足孩子的超级英雄对战梦
人工智能·aigc·deepseek