Python sklearn MeanShift用法及代码示例

本文简要介绍python语言中 sklearn.cluster.MeanShift 的用法。

用法:

class sklearn.cluster.MeanShift(*, bandwidth=None, seeds=None, bin_seeding=False, min_bin_freq=1, cluster_all=True, n_jobs=None, max_iter=300)

使用平面内核的均值移位聚类。

均值漂移聚类旨在以平滑的样本密度发现“blobs”。它是一种基于质心的算法，其工作原理是将质心候选更新为给定区域内点的平均值。然后在后处理阶段对这些候选进行过滤，以消除near-duplicates，形成最终的质心集。

使用分级技术执行播种以实现可扩展性。

在用户指南中阅读更多信息。

参数：

bandwidth：浮点数，默认=无

RBF 内核中使用的带宽。

如果未给出，则使用 sklearn.cluster.estimate_bandwidth 估计带宽；有关可伸缩性的提示，请参阅该函数的文档(另请参阅下面的注释)。

seeds：形状类似数组(n_samples，n_features)，默认=无

用于初始化内核的种子。如果未设置，则通过聚类计算种子。get_bin_seeds 以带宽为网格大小，其他参数为默认值。

bin_seeding：布尔，默认=假

如果为真，则初始内核位置不是所有点的位置，而是点的离散版本的位置，其中点被分箱到粗糙度对应于带宽的网格上。将此选项设置为 True 将加速算法，因为将初始化更少的种子。默认值为假。如果种子参数不是无，则忽略。

min_bin_freq：整数，默认=1

为了加快算法速度，只接受那些至少有 min_bin_freq 点的 bin 作为种子。

cluster_all：布尔，默认=真

如果为真，那么所有点都会被聚集，即使是那些不在任何内核中的孤儿也是如此。孤儿被分配给最近的内核。如果为 false，则给孤儿集群标签 -1。

n_jobs：整数，默认=无

用于计算的作业数。这是通过计算每个 n_init 并行运行来实现的。

None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关详细信息，请参阅词汇表。

max_iter：整数，默认=300

如果尚未收敛，则在聚类操作终止(对于该种子点)之前每个种子点的最大迭代次数。

属性：

cluster_centers_：ndarray 形状(n_clusters，n_features)

聚类中心的坐标。

labels_：ndarray 形状 (n_samples,)

每个点的标签。

n_iter_：int

对每个种子执行的最大迭代次数。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

注意：

可扩展性：

因为这个实现使用扁平内核和球树来查找每个内核的成员，所以复杂度将趋向于 O(T*n*log(n)) 在较低维度上，其中 n 是样本数，T 是点。在更高维度上，复杂度将趋向于 O(T*n^2)。

可通过使用更少的种子来提高可扩展性，例如在get_bin_seeds 函数中使用较高的min_bin_freq 值。

请注意，estimate_bandwidth 函数的可扩展性远低于均值偏移算法，如果使用它将成为瓶颈。

参考：

Dorin Comaniciu 和 Peter Meer，“均值偏移：特征空间分析的稳健方法”。 IEEE 模式分析和机器智能汇刊。 2002. 第 603-619 页。

例子：

>>> from sklearn.cluster import MeanShift
>>> import numpy as np
>>> X = np.array([[1, 1], [2, 1], [1, 0],
...               [4, 7], [3, 5], [3, 6]])
>>> clustering = MeanShift(bandwidth=2).fit(X)
>>> clustering.labels_
array([1, 1, 1, 0, 0, 0])
>>> clustering.predict([[0, 0], [5, 5]])
array([1, 0])
>>> clustering
MeanShift(bandwidth=2)