计算每个 K-means 集群的数据点

Question

我有一个真实和伪造纸币的小波数据集，具有两个特征：

X轴：小波变换图像的方差
Y轴：小波变换图像的偏度

I 运行在这个数据集上 K-means 识别 2 组数据，基本上是真钞和伪钞。

现在我有3个问题：

如何统计每个簇的数据点？
如何根据集群设置每个数据点的颜色？
如果没有数据中的其他特征，我如何知道数据点是真实的还是伪造的？我知道数据集有一个“class”，它显示 1 和 2 表示真品和伪造，但我可以在没有“class”特征的情况下识别它吗？

我的代码：

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.patches as patches
import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.patches as patches

data = pd.read_csv('Banknote-authentication-dataset-all.csv')

V1 = data['V1']
V2 = data['V2']
bn_class = data['Class']


V1_min = np.min(V1)
V1_max = np.max(V1)

V2_min = np.min(V2)
V2_max = np.max(V2)

normed_V1 = (V1 - V1_min)/(V1_max - V1_min)
normed_V2 = (V2 - V2_min)/(V2_max - V2_min)

V1_mean = normed_V1.mean()
V2_mean = normed_V2.mean()

V1_std_dev = np.std(normed_V1)
V2_std_dev = np.std(normed_V2)

ellipse = patches.Ellipse([V1_mean, V2_mean], V1_std_dev*2, V2_std_dev*2, alpha=0.4)

V1_V2 = np.column_stack((normed_V1, normed_V2))

km_res = KMeans(n_clusters=2).fit(V1_V2)
clusters = km_res.cluster_centers_

plt.xlabel('Variance of Wavelet Transformed image')
plt.ylabel('Skewness of Wavelet Transformed image')
scatter = plt.scatter(normed_V1,normed_V2, s=10, c=bn_class, cmap='coolwarm')
#plt.scatter(V1_std_dev, V2_std_dev,s=400, Alpha=0.5)
plt.scatter(V1_mean, V2_mean, s=400, Alpha=0.8, c='lightblue')
plt.scatter(clusters[:,0], clusters[:,1],s=3000,c='orange', Alpha=0.8)
unique = list(set(bn_class))

plt.text(1.1, 0, 'Kmeans cluster centers', bbox=dict(facecolor='orange'))
plt.text(1.1, 0.11, 'Arithmetic Mean', bbox=dict(facecolor='lightblue'))
plt.text(1.1, 0.33, 'Class 1 - Genuine Notes',color='white', bbox=dict(facecolor='blue'))
plt.text(1.1, 0.22, 'Class 2 - Forged Notes', bbox=dict(facecolor='red'))

plt.savefig('figure.png',bbox_inches='tight')

plt.show()

附上图片以提高可见性

Answer 1

如何统计每个簇的数据点

您可以通过使用 fit_predict 而不是 fit 或在训练数据上拟合后调用 predict 来轻松做到这一点。

这是一个工作示例：

kM = KMeans(...).fit_predict(V1_V2)
labels = kM.labels_

clusterCount = np.bincount(labels)

clusterCount 现在将保存关于每个集群中有多少个点的信息。您可以使用 fit 然后 predict 轻松地做到这一点，但这应该更有效：

kM = KMeans(...).fit(V1_V2)
labels = kM.predict(V1_V2)

clusterCount = np.bincount(labels)

要设置它的颜色，使用kM.labels_或kM.predict()的输出作为着色索引。

labels = kM.predict(V1_V2)

plt.scatter(normed_V1, normed_V2, s=10, c=labels, cmap='coolwarm') # instead of c=bn_class

对于新数据点，请注意您拥有的 KMeans 如何很好地将两个 classes 中的大部分分开。这种可分离性意味着您实际上可以将 KMeans 集群用作预测变量。只需使用 predict.

predictedClass = KMeans.predict(newDataPoint)

其中一个簇被分配了 class 的值，它拥有大多数。或者甚至有一定的几率。

计算每个 K-means 集群的数据点

Count data points for each K-means cluster

python

machine-learning

k-means

data-science