层次聚类 Lab

在此 notebook 中，我们将使用 sklearn 对鸢尾花数据集执行层次聚类。该数据集包含 4 个维度/属性和 150 个样本。每个样本都标记为某种鸢尾花品种（共三种）。

在此练习中，我们将忽略标签和基于属性的聚类，并将不同层次聚类技巧的结果与实际标签进行比较，看看在这种情形下哪种技巧的效果最好。然后，我们将可视化生成的聚类层次。

1. 导入鸢尾花数据集



In [ ]:

    
from sklearn import datasets

iris = datasets.load_iris()

查看数据集中的前 10 个样本



In [ ]:

    
iris.data[:10]



In [ ]:

    
iris.target

2. 聚类

现在使用 sklearn 的 AgglomerativeClustering 进行层次聚类



In [ ]:

    
from sklearn.cluster import AgglomerativeClustering

# Hierarchical clustering
# Ward is the default linkage algorithm, so we'll start with that
ward = AgglomerativeClustering(n_clusters=3)
ward_pred = ward.fit_predict(iris.data)

并且尝试完全连接法和平均连接法

练习：

通过完全连接法进行层次聚类，将预测的标签存储在变量 complete_pred 中
通过平均连接法进行层次聚类，将预测的标签存储在变量 avg_pred 中



In [ ]:

    
# Hierarchical clustering using complete linkage
# TODO: Create an instance of AgglomerativeClustering with the appropriate parameters
complete = AgglomerativeClustering(n_clusters=3, linkage="complete")
# Fit & predict
# TODO: Make AgglomerativeClustering fit the dataset and predict the cluster labels
complete_pred = complete.fit_predict(iris.data)

# Hierarchical clustering using average linkage
# TODO: Create an instance of AgglomerativeClustering with the appropriate parameters
avg = AgglomerativeClustering(n_clusters=3, linkage="average")
# Fit & predict
# TODO: Make AgglomerativeClustering fit the dataset and predict the cluster labels
avg_pred = avg.fit_predict(iris.data)

为了判断哪个聚类结果与样本的原始标签更匹配，我们可以使用 adjusted_rand_score，它是一个外部聚类有效性指标，分数在 -1 到 1 之间，1 表示两个聚类在对数据集中的样本进行分组时完全一样（无论每个聚类分配的标签如何）。

在这门课程的稍后部分会讨论聚类有效性指标。



In [ ]:

    
from sklearn.metrics import adjusted_rand_score

ward_ar_score = adjusted_rand_score(iris.target, ward_pred)

练习：

计算通过完全连接法和平均连接法得出的聚类的调整离差平方和(ward)分数



In [ ]:

    
# TODO: Calculated the adjusted Rand score for the complete linkage clustering labels
complete_ar_score = adjusted_rand_score(iris.target, complete_pred)

# TODO: Calculated the adjusted Rand score for the average linkage clustering labels
avg_ar_score = adjusted_rand_score(iris.target, avg_pred)

哪个算法的调整兰德分数更高？



In [ ]:

    
print( "Scores: \nWard:", ward_ar_score,"\nComplete: ", complete_ar_score, "\nAverage: ", avg_ar_score)

3. 标准化对聚类的影响

可以改进该聚类结果吗？

我们再看看数据集



In [ ]:

    
iris.data[:15]

查看该数据集后，可以看出第四列的值比其他列要小，因此它的方差对聚类处理流程的影响更新（因为聚类是基于距离的）。我们对数据集进行标准化，使每个维度都位于 0 到 1 之间，以便在聚类流程中具有相等的权重。

方法是让每列减去最小值，然后除以范围。

sklearn 提供了一个叫做 preprocessing.normalize() 的实用工具，可以帮助我们完成这一步



In [ ]:

    
from sklearn import preprocessing

normalized_X = preprocessing.normalize(iris.data)
normalized_X[:10]

现在所有列都在 0 到 1 这一范围内了。这么转换之后对数据集进行聚类会形成更好的聚类吗？（与样本的原始标签更匹配）



In [ ]:

    
ward = AgglomerativeClustering(n_clusters=3)
ward_pred = ward.fit_predict(normalized_X)

complete = AgglomerativeClustering(n_clusters=3, linkage="complete")
complete_pred = complete.fit_predict(normalized_X)

avg = AgglomerativeClustering(n_clusters=3, linkage="average")
avg_pred = avg.fit_predict(normalized_X)


ward_ar_score = adjusted_rand_score(iris.target, ward_pred)
complete_ar_score = adjusted_rand_score(iris.target, complete_pred)
avg_ar_score = adjusted_rand_score(iris.target, avg_pred)

print( "Scores: \nWard:", ward_ar_score,"\nComplete: ", complete_ar_score, "\nAverage: ", avg_ar_score)

4. 通过 scipy 进行谱系图可视化

我们来可视化分数最高的聚类结果。

为此，我们需要使用 Scipy 的 linkage 函数再次进行聚类，以便获取稍后用来可视化层次关系的连接矩阵



In [ ]:

    
# Import scipy's linkage function to conduct the clustering
from scipy.cluster.hierarchy import linkage

# Specify the linkage type. Scipy accepts 'ward', 'complete', 'average', as well as other values
# Pick the one that resulted in the highest Adjusted Rand Score
linkage_type = 'ward'

linkage_matrix = linkage(normalized_X, linkage_type)

使用 scipy 的 dendrogram 函数进行绘制



In [ ]:

    
from scipy.cluster.hierarchy import dendrogram
import matplotlib.pyplot as plt
plt.figure(figsize=(22,18))

# plot using 'dendrogram()'
dendrogram(linkage_matrix)

plt.show()

5. 通过 Seaborn 的 `clustermap` 进行可视化

python 的 seaborn 绘制库可以绘制聚类图，它是一种更详细地可视化数据集的谱系图。它也会进行聚类，因此我们只需传入数据集和想要的连接类型，它将在后台使用 scipy 进行聚类



In [ ]:

    
import seaborn as sns

sns.clustermap(normalized_X, figsize=(12,18), method=linkage_type, cmap='viridis')

# Expand figsize to a value like (18, 50) if you want the sample labels to be readable
# Draw back is that you'll need more scrolling to observe the dendrogram

plt.show()