Canopy算法是2000年由Andrew McCallum, Kamal Nigam and Lyle Ungar提出来的,它是对k-means聚类算法和层次聚类算法的预处理。众所周知,kmeans的一个不足之处在于k值需要通过人为的进行调整,后期可以通过肘部法则(Elbow Method)和轮廓系数(Silhouette Coefficient)来对k值进行最终的确定,但是这些方法都是属于“事后”判断的,而Canopy算法的作用就在于它是通过事先粗聚类的方式,为k-means算法确定初始聚类中心个数和聚类中心点。

使用的包:

import mathimport randomimport numpy as npfrom datetime import datetimefrom pprint import pprint as pimport matplotlib.pyplot as plt

1.首先我在算法中预设了一个二维(为了方便后期画图呈现在二维平面上)数据dataset。

当然也可以使用高纬度的数据,并且我将canopy核心算法写入了类中,后期可以通过直接调用的方式对任何维度的数据进行处理,当然只是小批量的,大批量的数据可以移步Mahout和Hadoop了。

# 随机生成500个二维[0,1)平面点dataset = np.random.rand(500, 2)

2.然后生成个两类,类的属性如下:

class Canopy:    def __init__(self, dataset):                self.dataset = dataset                self.t1 = 0      self.t2 = 0

加入设定t1和t2初始值以及判断大小函数

   # 设置初始阈值  def setThreshold(self, t1, t2):            if t1 > t2:        self.t1 = t1                    self.t2 = t2            else:        print('t1 needs to be larger than t2!')

3.距离计算,各个中心点之间的距离计算方法我使用的欧式距离。

#使用欧式距离进行距离的计算def euclideanDistance(self, vec1, vec2):            return math.sqrt(((vec1 - vec2)**2).sum())

4.再写个从dataset中根据dataset的长度随机选择下标的函数

# 根据当前dataset的长度随机选择一个下标 def getRandIndex(self):            return random.randint(0, len(self.dataset) - 1)

5.核心算法

def clustering(self):                if self.t1 == 0:            print('Please set the threshold.')                else:            canopies = []  # 用于存放最终归类结果            while len(self.dataset) != 0:                rand_index = self.getRandIndex()                current_center = self.dataset[rand_index]  # 随机获取一个中心点,定为P点                current_center_list = []  # 初始化P点的canopy类容器                delete_list = []  # 初始化P点的删除容器                self.dataset = np.delete(                                         self.dataset, rand_index, 0)  # 删除随机选择的中心点P                for datum_j in range(len(self.dataset)):                    datum = self.dataset[datum_j]                    distance = self.euclideanDistance(                        current_center, datum)  # 计算选取的中心点P到每个点之间的距离                    if distance < self.t1:                        # 若距离小于t1,则将点归入P点的canopy类                        current_center_list.append(datum)                                        if distance < self.t2:                        delete_list.append(datum_j)  # 若小于t2则归入删除容器                # 根据删除容器的下标,将元素从数据集中删除                self.dataset = np.delete(self.dataset, delete_list, 0)                canopies.append((current_center, current_center_list))                  return canopies

为了方便后面的数据可视化,我这里的canopies定义的是一个数组,当然也可以使用dict。
6.main()函数

def main():    t1 = 0.6    t2 = 0.4    gc = Canopy(dataset)    gc.setThreshold(t1, t2)    canopies = gc.clustering()    print('Get %s initial centers.' % len(canopies))        #showCanopy(canopies, dataset, t1, t2)

Canopy聚类可视化代码

def showCanopy(canopies, dataset, t1, t2):    fig = plt.figure()    sc = fig.add_subplot(111)    colors = ['brown', 'green', 'blue', 'y', 'r', 'tan', 'dodgerblue', 'deeppink', 'orangered', 'peru', 'blue', 'y', 'r',              'gold', 'dimgray', 'darkorange', 'peru', 'blue', 'y', 'r', 'cyan', 'tan', 'orchid', 'peru', 'blue', 'y', 'r', 'sienna']    markers = ['*', 'h', 'H', '+', 'o', '1', '2', '3', ',', 'v', 'H', '+', '1', '2', '^',               '<', '>', '.', '4', 'H', '+', '1', '2', 's', 'p', 'x', 'D', 'd', '|', '_']    for i in range(len(canopies)):        canopy = canopies[i]        center = canopy[0]        components = canopy[1]        sc.plot(center[0], center[1], marker=markers[i],                color=colors[i], markersize=10)        t1_circle = plt.Circle(            xy=(center[0], center[1]), radius=t1, color='dodgerblue', fill=False)        t2_circle = plt.Circle(            xy=(center[0], center[1]), radius=t2, color='skyblue', alpha=0.2)        sc.add_artist(t1_circle)        sc.add_artist(t2_circle)        for component in components:            sc.plot(component[0], component[1],                    marker=markers[i], color=colors[i], markersize=1.5)    maxvalue = np.amax(dataset)    minvalue = np.amin(dataset)    plt.xlim(minvalue - t1, maxvalue + t1)    plt.ylim(minvalue - t1, maxvalue + t1)    plt.show()

效果图如下:

关于python实现canopy聚类的方法就分享到这里了,希望以上内容可以对大家有一定的帮助,可以学到更多知识。如果觉得文章不错,可以把它分享出去让更多的人看到。