Python 數(shù)據(jù)化運營之KMeans聚類分析總結(jié)

Python 數(shù)據(jù)化運營

1、內(nèi)容介紹

以 Python 使用 Keans 進(jìn)行聚類分析的簡單舉例應(yīng)用介紹聚類分析。

聚類分析 或 聚類 是對一組對象進(jìn)行分組的任務(wù)，使得同一組（稱為聚類）中的對象（在某種意義上）與其他組（聚類）中的對象更相似（在某種意義上）。它是探索性數(shù)據(jù)挖掘的主要任務(wù)，也是統(tǒng)計數(shù)據(jù)分析的常用技術(shù)，用于許多領(lǐng)域，包括機器學(xué)習(xí)，模式識別，圖像分析，信息檢索，生物信息學(xué)，數(shù)據(jù)壓縮和計算機圖形學(xué)。

2、一般應(yīng)用場景

（1）目標(biāo)用戶的群體分類：根據(jù)運營或商業(yè)目的挑選出來的變量，對目標(biāo)群體進(jìn)行聚類，將目標(biāo)群體分成幾個有明顯的特征區(qū)別的細(xì)分群體，在運營活動中為這些細(xì)分群體采用精細(xì)化、個性化的運營和服務(wù)，提升運營的效率和商業(yè)效果。

（2）不同產(chǎn)品的價值組合：按特定的指標(biāo)變量對眾多產(chǎn)品種類進(jìn)行聚類。將產(chǎn)品體系細(xì)分成具有不同價值、不同目的、多維度產(chǎn)品組合，在此基礎(chǔ)上制定相應(yīng)的產(chǎn)品開發(fā)計劃、運營計劃和服務(wù)計劃。

（3）探索、發(fā)現(xiàn)孤立點及異常值：主要是風(fēng)控應(yīng)用。孤立點可能會存在欺詐的風(fēng)險成分。

3、聚類的常見方法

分為基于劃分、層次、密度、網(wǎng)格、統(tǒng)計學(xué)、模型等類型的算法，典型算法包括K均值（經(jīng)典的聚類算法）、DBSCAN、兩步聚類、BIRCH、譜聚類等。

4、Keans聚類實現(xiàn)

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn import metrics
import random

# 隨機生成100組包含3組特征的數(shù)據(jù)
feature = [[random.random(),random.random(),random.random()] for i in range(100)]
label = [int(random.randint(0,2)) for i in range(100)]

# 轉(zhuǎn)換數(shù)據(jù)格式
x_feature = np.array(feature)

# 訓(xùn)練聚類模型
n_clusters = 3  # 設(shè)置聚類數(shù)量
model_kmeans = KMeans(n_clusters=n_clusters, random_state=0)  # 建立聚類模型對象
model_kmeans.fit(x_feature)  # 訓(xùn)練聚類模型
y_pre = model_kmeans.predict(x_feature)  # 預(yù)測聚類模型
y_pre

實現(xiàn)如圖：

5、聚類的評估指標(biāo)

inertias 是K均值模型對象的屬性，表示樣本距離最近的聚類中心的總和，它是作為在沒有真實分類結(jié)果標(biāo)簽下的非監(jiān)督式評估指標(biāo)。該值越小越好，值越小證明樣本在類間的分布越集中，即類內(nèi)的距離越小。

# 樣本距離最近的聚類中心的總和
inertias = model_kmeans.inertia_  

adjusted_rand_s：調(diào)整后的蘭德指數(shù)（Adjusted Rand Index），蘭德指數(shù)通過考慮在預(yù)測和真實聚類中在相同或不同聚類中分配的所有樣本對和計數(shù)對來計算兩個聚類之間的相似性度量。調(diào)整后的蘭德指數(shù)通過對蘭德指數(shù)的調(diào)整得到獨立于樣本量和類別的接近于0的值，其取值范圍為[-1, 1]，負(fù)數(shù)代表結(jié)果不好，越接近于1越好意味著聚類結(jié)果與真實情況越吻合。

# 調(diào)整后的蘭德指數(shù)
adjusted_rand_s = metrics.adjusted_rand_score(label, y_pre)  

mutual_info_s：互信息（Mutual Information, MI），互信息是一個隨機變量中包含的關(guān)于另一個隨機變量的信息量，在這里指的是相同數(shù)據(jù)的兩個標(biāo)簽之間的相似度的量度，結(jié)果是非負(fù)值。

# 互信息
mutual_info_s = metrics.mutual_info_score(label, y_pre) 

adjusted_mutual_info_s：調(diào)整后的互信息（Adjusted Mutual Information, AMI），調(diào)整后的互信息是對互信息評分的調(diào)整得分。它考慮到對于具有更大數(shù)量的聚類群，通常MI較高，而不管實際上是否有更多的信息共享，它通過調(diào)整聚類群的概率來糾正這種影響。當(dāng)兩個聚類集相同（即完全匹配）時，AMI返回值為1；隨機分區(qū)（獨立標(biāo)簽）平均預(yù)期AMI約為0，也可能為負(fù)數(shù)。

# 調(diào)整后的互信息
adjusted_mutual_info_s = metrics.adjusted_mutual_info_score(label, y_pre)  

homogeneity_s：同質(zhì)化得分（Homogeneity），如果所有的聚類都只包含屬于單個類的成員的數(shù)據(jù)點，則聚類結(jié)果將滿足同質(zhì)性。其取值范圍[0,1]值越大意味著聚類結(jié)果與真實情況越吻合。

# 同質(zhì)化得分
homogeneity_s = metrics.homogeneity_score(label, y_pre)  

completeness_s：完整性得分（Completeness），如果作為給定類的成員的所有數(shù)據(jù)點是相同集群的元素，則聚類結(jié)果滿足

完整性。其取值范圍[0,1]，值越大意味著聚類結(jié)果與真實情況越吻合。

# 完整性得分
completeness_s = metrics.completeness_score(label, y_pre)  

v_measure_s：它是同質(zhì)化和完整性之間的諧波平均值，v = 2 （均勻性 完整性）/（均勻性+完整性）。其取值范圍[0,1]，值越大意味著聚類結(jié)果與真實情況越吻合。

v_measure_s = metrics.v_measure_score(label, y_pre)  

silhouette_s：輪廓系數(shù)（Silhouette），它用來計算所有樣本的平均輪廓系數(shù)，使用平均群內(nèi)距離和每個樣本的平均最近簇距離來計算，它是一種非監(jiān)督式評估指標(biāo)。其最高值為1，最差值為-1,0附近的值表示重疊的聚類，負(fù)值通常表示樣本已被分配到錯誤的集群。

# 平均輪廓系數(shù)
silhouette_s = metrics.silhouette_score(x_feature, y_pre, metric='euclidean')  

calinski_harabaz_s：該分?jǐn)?shù)定義為群內(nèi)離散與簇間離散的比值，它是一種非監(jiān)督式評估指標(biāo)。

# Calinski和Harabaz得分
calinski_harabaz_s = metrics.calinski_harabasz_score(x_feature, y_pre)  

6、聚類效果可視化

# 模型效果可視化
centers = model_kmeans.cluster_centers_  # 各類別中心
colors = ['#4EACC5', '#FF9C34', '#4E9A06']  # 設(shè)置不同類別的顏色
plt.figure()  # 建立畫布
for i in range(n_clusters):  # 循環(huán)讀類別
    index_sets = np.where(y_pre == i)  # 找到相同類的索引集合
    cluster = x_feature[index_sets]  # 將相同類的數(shù)據(jù)劃分為一個聚類子集
    plt.scatter(cluster[:, 0], cluster[:, 1], c=colors[i], marker='.')  # 展示聚類子集內(nèi)的樣本點
    plt.plot(centers[i][0], centers[i][1], 'o', markerfacecolor=colors[i], markeredgecolor='k',
             markersize=6)  # 展示各聚類子集的中心
plt.show()  # 展示圖像

如圖：

7、數(shù)據(jù)預(yù)測

# 模型應(yīng)用
new_X = [1, 3.6,9.9]
cluster_label = model_kmeans.predict(np.array(new_X).reshape(1,-1))
print ('聚類預(yù)測結(jié)果為: %d' % cluster_label)

 到此這篇關(guān)于Python 數(shù)據(jù)化運營之KMeans聚類分析總結(jié)的文章就介紹到這了,更多相關(guān)Python 數(shù)據(jù)化運營內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！