2D数字嵌入上的各种聚集性聚集#

数字数据集的2D嵌入上聚集集群的各种链接选项的说明。

此示例的目标是直观地显示指标的行为方式，而不是为数字找到良好的集群。这就是为什么该示例适用于2D嵌入。

这个例子向我们展示的是聚集聚类的“富的越来越富”的行为，它往往会创建不均匀的聚类大小。

这种行为对于平均链接策略来说很明显，最终会产生几个数据点很少的集群。

单一连锁的情况甚至更加病态，一个非常大的集群覆盖了大多数数字，一个中等大小的（干净的）集群具有大多数零数字，而所有其他集群都是从边缘周围的噪音点中提取的。

其他链接策略会导致更均匀分布的集群，因此对数据集的随机重新分配可能不太敏感。

Computing embedding
Done.
ward :  0.06s
average :       0.03s
complete :      0.03s
single :        0.01s

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

from time import time

import numpy as np
from matplotlib import pyplot as plt

from sklearn import datasets, manifold

digits = datasets.load_digits()
X, y = digits.data, digits.target
n_samples, n_features = X.shape

np.random.seed(0)


# ----------------------------------------------------------------------
# Visualize the clustering
def plot_clustering(X_red, labels, title=None):
    x_min, x_max = np.min(X_red, axis=0), np.max(X_red, axis=0)
    X_red = (X_red - x_min) / (x_max - x_min)

    plt.figure(figsize=(6, 4))
    for digit in digits.target_names:
        plt.scatter(
            *X_red[y == digit].T,
            marker=f"${digit}$",
            s=50,
            c=plt.cm.nipy_spectral(labels[y == digit] / 10),
            alpha=0.5,
        )

    plt.xticks([])
    plt.yticks([])
    if title is not None:
        plt.title(title, size=17)
    plt.axis("off")
    plt.tight_layout(rect=[0, 0.03, 1, 0.95])


# ----------------------------------------------------------------------
# 2D embedding of the digits dataset
print("Computing embedding")
X_red = manifold.SpectralEmbedding(n_components=2).fit_transform(X)
print("Done.")

from sklearn.cluster import AgglomerativeClustering

for linkage in ("ward", "average", "complete", "single"):
    clustering = AgglomerativeClustering(linkage=linkage, n_clusters=10)
    t0 = time()
    clustering.fit(X_red)
    print("%s :\t%.2fs" % (linkage, time() - t0))

    plot_clustering(X_red, clustering.labels_, "%s linkage" % linkage)


plt.show()

Total running time of the script: （0分1.184秒）