sklearn MeanShift

来源：互联网发布：淘宝虚拟物品类目编辑：程序博客网时间：2024/05/18 08:13

MeanShift方法基本上是通过核加权实现质心漂移的方法。

sklearn.cluster.estimate_bandwith:
用于估计加权核的带宽，n_samples参数指定用于估计的样本数，quantile指定至少
被使用的指定数量样本数的分位数。（取值与[0, 1]）

sklearn.cluster.MeanShift:
bin_seeding用来设定初始核的位置参数的生成方式，default False,默认采用所有点的
位置平均，当改为True时使用离散后的点的平均，前者比后者慢。

plt.clf():清空图形窗口。

下面是一个例子：

import numpy as np from sklearn.cluster import MeanShift, estimate_bandwidth from sklearn.datasets.samples_generator import make_blobs centers = [[1, 1], [-1, -1], [1, -1]]X, _ = make_blobs(n_samples = 10000, centers = centers, cluster_std = 0.6)bandwidth = estimate_bandwidth(X, quantile = 0.2, n_samples = 500)ms = MeanShift(bandwidth = bandwidth, bin_seeding = True)ms.fit(X)labels = ms.labels_cluster_centers = ms.cluster_centers_labels_unique = np.unique(labels)n_clusters_ = len(labels_unique)print "number of estimated clusters: %d" % n_clusters_import matplotlib.pyplot as plt from itertools import cycle plt.figure(1)plt.clf()colors = cycle('bgrcmyk')for k, col in zip(range(n_clusters_), colors): my_members = labels == k cluster_center = cluster_centers[k] plt.plot(X[my_members, 0], X[my_members, 1], col + '.') plt.plot(cluster_center[0], cluster_center[1], 'o', markerfacecolor = col, markeredgecolor = 'k', markersize = 14)plt.title("Estimated number of clusters: %d" % n_clusters_)plt.show()

0 0