層次聚類和DBSCAN
前面說到K-means聚類演算法，K-Means聚類是一種分散性聚類演算法，本節主要是基於資料結構的聚類演算法——層次聚類和基於密度的聚類演算法——DBSCAN兩種演算法。
1.層次聚類
下面這樣的結構應該比較常見，這就是一種層次聚類的樹結構，層次聚類是通過計算不同類別點的相似度建立一顆有層次的樹結構，在這顆樹中，樹的底層是原始資料點，頂層是一個聚類的根節點。
建立這樣一棵樹的方法有自底向上和自頂向下兩種方式。
下面介紹一下如何利用自底向上的方式的構造這樣一棵樹：
為了便於說明，假設我們有5條資料，對這5條資料構造一棵這樣的樹，如下是5條資料：
第一步，計算兩兩樣本之間相似度，然後找到最相似兩條資料（假設1、2兩個最相似），然後將其merge起來，成為1條資料：
現在資料還剩4條，然後同樣計算兩兩之間的相似度，找出最相似的兩條資料（假設前兩條最相似），然後再merge起來：
現在還剩餘3條資料，然後繼續重複上面的步驟，假設後面兩條資料最相似，那麼：
然後還剩餘兩條資料，再把這兩條資料merge起來，最終完成一個樹的構建：
上述就是自底向上聚類樹的構建過程，自頂向下的過程與之相似，只不過初始資料是一個類別，不斷分裂出距離最遠的那個點，知道所有的點都成為葉子結點。
那麼我們如何根據這棵樹進行聚類呢？
我們從樹的中間部分切一刀，像下面這樣：
然後葉子節點被分成兩個類別，也可以像下面這樣切：
那麼樣本集就被分成3個類別。這個切割的線是由一個閾值“threshold”來決定切在什麼位置，而這個閾值是需要預先給定的。
但在實做過程中，往往不需要先構建一棵樹，再去進行切分，注意看上面切分，切完後，所剩餘的節點數量就是類別個數。
那麼在建樹的過程中，當達到所指定的類別後，則就可以停止樹的建立了。
下面看一下HAC（自底向上）的實現過程：
import math import numpy as np def euler_distance(point1, point2): distance = 0.0 for a, b in zip(point1, point2): distance += math.pow(a-b, 2) return math.sqrt(distance) # 定義聚類樹的節點 class ClusterNode: def __init__(self, vec, left=None, right=None, distance=-1, id=None, count=1): """ vec: 儲存兩個資料merge後新的中心 left: 左節點 right: 右節點 distance: 兩個節點的距離 id: 儲存哪個節點是計算過的 count: 這個節點的葉子節點個數 """ self.vec = vec self.left = left self.right = right self.distance = distance self.id = id self.count = count # 層次聚類的類 # 不同於文中所說的先構建樹，再進行切分，而是直接根據所需類別數目，聚到滿足條件的節點數量即停止 # 和k-means一樣，也需要指定類別數量 class Hierarchical: def __init__(self, k=1): assert k > 0 self.k = k self.labels = None def fit(self, x): # 初始化節點各位等於資料的個數 nodes = [ClusterNode(vec=v, id=i) for i, v in enumerate(x)] distance = {} point_num, feature_num = np.shape(x) self.labels = [-1] * point_num currentclustid = -1 while len(nodes) > self.k: min_dist = np.inf # 當前節點的個數 nodes_len = len(nodes) # 最相似的兩個類別 closest_part = None # 當前節點中兩兩距離計算，找出最近的兩個節點 for i in range(nodes_len-1): for j in range(i+1, nodes_len): # 避免重複計算 d_key = (nodes[i].id, nodes[j].id) if d_key not in distance: distance[d_key] = euler_distance(nodes[i].vec, nodes[j].vec) d = distance[d_key] if d < min_dist: min_dist = d closest_part = (i, j) part1, part2 = closest_part node1, node2 = nodes[part1], nodes[part2] # 將兩個節點進行合併,即兩個節點所包含的所有資料的平均值 new_vec = [(node1.vec[i] * node1.count + node2.vec[i] * node2.count) / (node1.count + node2.count) for i in range(feature_num)] new_node = ClusterNode(vec=new_vec, left=node1, right=node2, distance=min_dist, id=currentclustid, count=node1.count + node2.count) currentclustid -= 1 # 刪掉這最近的兩個節點 del nodes[part2], nodes[part1] # 把新的節點新增進去 nodes.append(new_node) # 樹建立完成，這裡要注意，在示例中是最終凝聚為1個節點，而這裡到達所要指定的類別數目即停止，一個node屬於一個類別 self.nodes = nodes # 給每個node以及node包含的資料打上標籤 self.calc_label() def calc_label(self): # 調取聚類結果 for i, node in enumerate(self.nodes): self.leaf_traversal(node, i) def leaf_traversal(self, node: ClusterNode, label): # 遞迴遍歷葉子結點 if node.left is None and node.right is None: self.labels[node.id] = label if node.left: self.leaf_traversal(node.left, label) if node.right: self.leaf_traversal(node.right, label)
通過讀取sklearn自帶的鳶尾花的資料庫，測試一下：
from sklearn.datasets import load_iris import matplotlib.pyplot as plt iris = load_iris() my = Hierarchical(4) my.fit(iris.data) data = iris.data data_0 = data[np.nonzero(np.array(my.labels) == 0)] data_1 = data[np.nonzero(np.array(my.labels) == 1)] data_2 = data[np.nonzero(np.array(my.labels) == 2)] data_3 = data[np.nonzero(np.array(my.labels) == 3)] plt.scatter(data_0[:, 0], data_0[:, 1]) plt.scatter(data_1[:, 0], data_1[:, 1]) plt.scatter(data_2[:, 0], data_2[:, 1]) plt.scatter(data_3[:, 0], data_3[:, 1]) print(np.array(my.labels)) from sklearn.cluster import KMeans km = KMeans(4) km.fit(iris.data) print(km.labels_) data_0_ = data[np.nonzero(np.array(km.labels_) == 0)] data_1_ = data[np.nonzero(np.array(km.labels_) == 1)] data_2_ = data[np.nonzero(np.array(km.labels_) == 2)] data_3_ = data[np.nonzero(np.array(km.labels_) == 3)] plt.figure() plt.scatter(data_0_[:, 0], data_0_[:, 1]) plt.scatter(data_1_[:, 0], data_1_[:, 1]) plt.scatter(data_2_[:, 0], data_2_[:, 1]) plt.scatter(data_3_[:, 0], data_3_[:, 1])
可以看到，兩種結果差不多，但是也有些不同。
其實sklearn中也有層次聚類演算法，上面是為了更好理解層次聚類的演算法過程，下面利用sklearn庫實現層次聚類演算法：
from sklearn.cluster import AgglomerativeClustering from sklearn.preprocessing import MinMaxScaler model = AgglomerativeClustering(n_clusters=4, affinity='euclidean', memory=None, connectivity=None, compute_full_tree='auto', linkage='ward', pooling_func='deprecated') """ 引數： n_cluster: 聚類數目 affinity: 計算距離的方法，'euclidean'為歐氏距離, 'manhattan'曼哈頓距離, 'cosine'餘弦距離, 'precompute'預先計算的affinity matrix; memory: None, 給定一個地址，層次聚類的樹快取在相應的地址中； linkage: 層次聚類判斷相似度的方法，有三種： 'ward': 即single-linkage 'average': 即average-linkage 'complete': 即complete-linkage """ """ 屬性： labels_： 每個資料的分類標籤 n_leaves_：分層樹的葉節點數量 n_components：連線圖中連通分量的估計值 children：一個陣列，給出了每個非節點數量 """ data_array = np.array(load_iris().data[:50, :]) min_max_scalar = MinMaxScaler() data_scalar = min_max_scalar.fit_transform(data_array) model.fit(min_max_scalar) from scipy.cluster.hierarchy import linkage, dendrogram plt.figure(figsize=(20, 6)) Z = linkage(data_scalar, method='ward', metric='euclidean') p = dendrogram(Z, 0) plt.show()
有關引數已在上面進行註釋，關於類別間的距離計算，有三種：single-linkage、complete-linkage和average-linkage，一個是以最近距離作為類別間的距離，一個是以最遠距離作為類間距離，還有是以各個樣本距離總的平均值為類間距離。
程式碼後半部分是生成一個開篇說的那種圖的視覺化方式，限於顯示需要，只取前50個資料，生成的樹的結果如圖所示（這裡並沒有分類，而是一種視覺化的形式）：
層次聚類的優缺點：
優點：
1、距離的定義比較容易，而且比較自由；
2、有時可以不用指定所需類別個數，就像前面說的，我們可以通過閾值來進行類的劃分；
3、可以生成非球形的簇，發現層次間的關係。
缺點：
1、在建樹過程中要計算每個樣本間的距離，計算複雜度較高；
2、演算法對於異常值比較敏感，影響聚類效果；
3、容易形成鏈狀的簇。
2.DBSCAN
前面說了層次聚類演算法，其實原理比較簡單，但對於噪聲（異常值）比較敏感，且基於距離的演算法只能發現“類圓形”的簇。
另一種聚類演算法DBSCAN演算法是一種基於密度的聚類演算法，它能夠克服前面說到的基於距離聚類的缺點，且對噪聲不敏感，它可以發現任意形狀的簇。
DBSCAN的主旨思想是只要一個區域中的點的密度大於一定的閾值，就把它加到與之相近的類別當中去。
那麼究竟是如何做呢，我們首先需要了解與DBSCAN有關的幾個概念：
先看下面一張圖，結合圖來理解下面幾個概念：
（1）ε-鄰域：一個物件在半徑為ε內的區域，簡單來說就是在給定一個資料為圓心畫一個半徑為ε的圈；
（2）核心物件：對於給定的一個數值m，在某個物件的鄰域內，至少包含m個點，則稱之為核心，簡單來說就是某個物件的圈內的資料大於m個，則這個物件就是核心；
（3）直接密度可達：結合上圖，給定一個物件q，如果這個物件的鄰域內有大於m個點，而另一個物件p又在這個鄰域內，則稱之為p是q的直接密度可達；
（4）間接密度可達：如下一張圖，p1是q的直接密度可達，而p是p1的直接密度可達，那麼p則是q的密度可達；
（5）密度相連：假設一個物件O，是物件p的密度可達，而q是O的密度可達，那麼p和q則是密度相連的。
（6）簇：基於密度聚類的簇就是最大的密度相連的所有物件的集合；
（7）噪聲：不屬於任何簇中的物件稱之為噪聲；
其實上面的概念看似複雜，這裡也進行了簡化，原先的定義更加比較難理解，但結合當前疫情感染情況，我們可以試著對上面概念進行一個類比和解釋：
例子：
假設某個區域突然發現1例感染者，那麼防疫人員就要對這個人軌跡進行溯源，就假設這個人的活動區域就是一個圓，那麼這個圓就稱為這個確診者的鄰域；
然後來過該區域內的所有人員進行核酸篩查，假設發現有3個以上的確診者，就算中高風險地區了，通過篩查發現第一個人的鄰域內有5個確診者，那麼第1個病例這裡稱之為A，就是核心；
由於這5個人都到過這個區域，那麼這5個人的任意一個人都是A的直接密度可達。
這裡注意，直接密度可達是一個不對稱的，可以說這5個其中一個是A的直接密度可達，但不能說第1個病例是這5個的直接密度可達，因為這5個人的活動範圍只是與A有交集，但在其各自的活動範圍內，並不一定都有超過3個確診病例；
在又篩查出來5個以後，防疫人員又要進一步擴大核酸範圍，那麼需要分別對這另外5個人的活動範圍進行排查；
經排查發現其中一個確診者，這裡稱之為B，B的活動範圍內有3個陽性，那麼這裡B就也是一個核心，其中一個稱之為C，不在A的鄰域內，那麼C是B的直接密度可達，C是A的間接密度可達；
這裡注意，間接密度可達同樣也是不對稱的，同樣的道理，可以說C是A的間接密度可達，不能說A是C的間接密度可達；
接下來，防疫人員又要對C的鄰域進行排查，發現C的活動範圍內也有3個確診者，那麼C也是一個核心，而這3個確診者當中，有一個沒有來過B的活動範圍，稱之為D；
那麼，D是C的直接密度可達，D是B的間接密度可達，D是A的密度相連。密度相連是一個對稱的概念，因為二者都與C有關；
然後，上面的這些人的活動區域連線起來，則就構成了整個中高風險地區，也就是一個簇；
假設在另一個區域又突然發現一名確診者，經排查後，如果這個確診者也作為核心向周圍擴散發現很多確診者，那麼這就形成了一個新的簇；
如果其所在區除了他自己，沒有別的確診病例了，因此，這個就是屬於噪聲點。
通過上面的舉例，應該可以很好理解有關密度聚類的幾個概念了，而且能夠為後面演算法的理解更容易。
那麼根據上面簇的概念和所舉的例子，有關DBSCAN的演算法過程就比較簡單理解了：
下面再舉一個實際的例子，來看一下DNSCAN的演算法處理過程，例子來源於水印。
假設有一組資料，設定MinPts=3，ε=3，資料如圖所示：
第一步：
首先掃描點p1(1,2)，以p1為中心：
（1）p1的鄰域內有點{p1,p2,p3,p13}，因此p1是核心點；
（2）以p1為核心點，建立簇C1；找出所有與p1的密度可達的點；
（3）p2的鄰域內為{p1,p2,p3,p4,p13}，因此p4屬於p1的密度可達，p4屬於簇C1；
（4）p3的鄰域內為{p1,p2,p3,p4,p13}，這些點都已屬於簇C1，繼續；
（5）p4的鄰域內為{p3,p4,p13}，這些點也都屬於簇C1，繼續；
（6）p13的鄰域內為{p2,p3,p4,p13}，也都處理過了
至此，以p1為核心的密度可達的資料點搜尋完畢，得到簇C1，包含{p1,p2,p3,p13,p4}
第二步：
繼續掃描點，到p5，以p5為中心：
（1）計算p5鄰域內的點{p5,p6,p7,p8}，因此p5也是核心點；
（2）以p5為核心點 ，建立簇C2，找出所有與p5的密度可達的點；
（3）同第一步中一樣，依次掃描p6、p7、p8;
得到以p5為核心點的簇C2，包含的點為{p5,p6,p7,p8}。
第三步：
繼續掃描點，到點p9，以p9為中心：
（1）p9的鄰域內的點為{p9}，所以p9b不是核心點，進行下一步
第四步：
繼續掃描點，到點p10，以p10為中心：
（1）p10的領域內的點為{p10,p11}，所以p10不是核心點，進行下一步。
第五步：
繼續掃描到點p11，以p11為中心：
（1）計算p11鄰域內的點為{p11,p10,p12}，所以p11是核心點；
（2）以p11為核心點建立簇C3，找出所有的密度可達點；
（3）p10已被處理處理過，繼續掃描；
（4）掃描p12，p12鄰域內{p12,p11}；
至此，p11的密度可達點都搜尋完畢，形成簇C3，包含的點為{p11,p10,p12}
第六步：
繼續掃描點，p12，p13都已被處理過，至此所有點都被處理過，演算法結束。
下面對DBSCAN進行演算法的實現，首先是演算法的步驟實現，然後再用sklearn進行實現：
import numpy as np import random import matplotlib.pyplot as plt import copy from sklearn import datasets # 搜尋鄰域內的點 def find_neighbor(j, x, eps): """ :param j: 核心點的索引 :param x: 資料集 :param eps:鄰域半徑 :return: """ temp = np.sum((x - x[j]) ** 2, axis=1) ** 0.5 N = np.argwhere(temp <= eps).flatten().tolist() return N def DBSCAN(X, eps, MinPts): k = -1 # 儲存每個資料的鄰域 neighbor_list = [] # 核心物件的集合 omega_list = [] # 初始化，所有的點記為未處理 gama = set([x for x in range(len(X))]) cluster = [-1 for _ in range(len(X))] for i in range(len(X)): neighbor_list.append(find_neighbor(i, X, eps)) if len(neighbor_list[-1]) >= MinPts: omega_list.append(i) omega_list = set(omega_list) while len(omega_list) > 0: gama_old = copy.deepcopy(gama) # 隨機選取一個核心點 j = random.choice(list(omega_list)) # 以該核心點建立簇Ck k = k + 1 Q = list() # 選取的核心點放入Q中處理，Q中只有一個物件 Q.append(j) # 選取核心點後，將核心點從核心點列表中刪除 gama.remove(j) # 處理核心點，找出核心點所有密度可達點 while len(Q) > 0: q = Q[0] # 將核心點移出，並開始處理該核心點 Q.remove(q) # 第一次判定為True，後面如果這個核心點密度可達的點還有核心點的話 if len(neighbor_list[q]) >= MinPts: # 核心點鄰域內的未被處理的點 delta = set(neighbor_list[q]) & gama delta_list = list(delta) # 開始處理未被處理的點 for i in range(len(delta)): # 放入待處理列表中 Q.append(delta_list[i]) # 將已處理的點移出標記列表 gama = gama - delta # 本輪中被移除的點就是屬於Ck的點 Ck = gama_old - gama Cklist = list(Ck) # 依次按照索引放入cluster結果中 for i in range(len(Ck)): cluster[Cklist[i]] = k omega_list = omega_list - Ck return cluster X1, y1 = datasets.make_circles(n_samples=2000, factor=.6, noise=.02) X2, y2 = datasets.make_blobs(n_samples=400, n_features=2, centers=[[1.2, 1.2]], cluster_std=[[.1]], random_state=9) X = np.concatenate((X1, X2)) eps = 0.08 min_Pts = 10 C = DBSCAN(X, eps, min_Pts) plt.figure() plt.scatter(X[:, 0], X[:, 1], c=C) plt.show()
執行結果如圖所示：
然後就是利用sklearn中的DBSCAN類進行實現：
from sklearn.cluster import DBSCAN model = DBSCAN(eps=0.08, min_samples=10, metric='euclidean', algorithm='auto') """ eps: 鄰域半徑 min_samples：對應MinPts metrics: 鄰域內距離計算方法，之前在層次聚類中已經說過，可選有： 歐式距離：“euclidean” 曼哈頓距離：“manhattan” 切比雪夫距離：“chebyshev” 閔可夫斯基距離：“minkowski” 帶權重的閔可夫斯基距離：“wminkowski” 標準化歐式距離： “seuclidean” 馬氏距離：“mahalanobis” algorithm：最近鄰搜尋演算法引數，演算法一共有三種， 第一種是蠻力實現‘brute’， 第二種是KD樹實現‘kd_tree’， 第三種是球樹實現‘ball_tree’， ‘auto’則會在上面三種演算法中做權衡 leaf_size：最近鄰搜尋演算法引數，為使用KD樹或者球樹時， 停止建子樹的葉子節點數量的閾值 p: 最近鄰距離度量引數。只用於閔可夫斯基距離和帶權重閔可夫斯基距離中p值的選擇，p=1為曼哈頓距離， p=2為歐式距離。 """ model.fit(X) plt.figure() plt.scatter(X[:, 0], X[:, 1], c=model.labels_) plt.show()
上面一些引數是需要調的，如eps和MinPts，基於密度聚類對這兩個引數敏感。
關於DBSCAN的優缺點：
優點
1、不必指定聚類的類別數量；
2、可以形成任意形狀的簇，而K-means只適用於凸資料集；
3、對於異常值不敏感；
缺點：
1、計算量較大，對於樣本數量和維度巨大的樣本，計算速度慢，收斂時間長，這時可以採用KD樹進行改進；
2、對於eps和MinPts敏感，調參複雜，需要聯合調參；
3、樣本集的密度不均勻、聚類間距差相差很大時，聚類質量較差，這時用 DBSCAN 演算法一般不適合；
4、樣本同採用一組引數聚類，有時不同的簇的密度不一樣，有人提出OPTICS聚類演算法（有空會把這一演算法補上）；
5、由於對噪聲不敏感，在一些領域，如異常檢測不適用。
本文參考資料：
https://blog.csdn.net/xyisv/article/details/88918448
https://blog.csdn.net/hansome_hong/article/details/107596543
https://www.cnblogs.com/pinard/p/6217852.html
上面即為層次聚類和DBSCAN兩個演算法的內容，總體來說，演算法的思想相對較為簡單，但是有時資料處理是一個麻煩的過程，有時資料維度過大，導致記憶體不足等情況。後面可能會再總結一些有關聚類的內容，就在這裡進行補充吧，有關聚類的內容就先完結了。