k-means 的绘图结果

Question

我有一个 229 行的 pandas 数据框。每行代表一个“应变”。数据来自 4 个站点。菌株使用站点代码进行编码。

Once upon a time，此数据已聚类并

使用 Jaccard 相似系数和未加权平均连锁，检查的 229 个菌株在 S（相似性）231% 水平上形成了一个大组。在该组中，有 10 个集群或 phena 以超过 65% 的不同程度的相似性进行区分。 21 个菌株不属于这些表型组中的任何一个。没有进一步考虑少于五个成员的集群。

免责声明：我不是统计学家；我对过去均值和中位数的统计数据基本上一无所知。那时我有一个统计学家可以一起工作。我对机器学习算法也几乎一无所知，尽管从一般的角度来看，我知道聚类意味着什么。

我想尝试用更现代的方法重现聚类。我想我会尝试 k-means（如果这是一个糟糕的选择，请赐教）。

数据是布尔值。我已将其转置，以便每一列都是“应变”，而行是特征。 （对吗？）

代码：

In [106]: from sklearn.cluster import KMeans

          kmeans = KMeans(n_clusters=10)
          kmeans.fit(df_bool)

Out [106]:
KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
       n_clusters=10, n_init=10, n_jobs=None, precompute_distances='auto',
       random_state=None, tol=0.0001, verbose=0)

In [107]: labels = kmeans.predict(df_bool)
          centroids = kmeans.cluster_centers_

          labels

Out [107]: array([5, 5, 2, 2, 0, 4, 9, 8, 1, 6, 1, 1, 7, 1, 3, 1, 1, 1, 1, 1],
      dtype=int32)

问题 1：这个列表（我假设是集群编号）是我应该期待的吗？

问题 2：如何绘制部分或全部结果？

问题 3：我是否完全脱离了基地？即 K-means 对布尔数据有意义吗？我的 DataFrame 是否正确对齐？

我问对了问题吗？

Answer 1

问题 1：是的，您描述的输出是您应该期望的，一个数字告诉您观察最有可能属于哪个集群。

问题 2：您无法绘制此图。人们在绘制 kmeans 时通常会使用某种降​​维将向量转换为二维，然后将它们绘制为 X 和 Y。然后您可以使用 kmeans 标签作为散点图的颜色。请参阅How to plot text clusters?，我在其中更详细地描述了这个过程。

问题 3：kmeans 聚类可能无法很好地处理二进制数据。有关替代方案，请参阅https://www.ibm.com/support/pages/clustering-binary-data-k-means-should-be-avoided。这主要取决于数据中是否具有形成连贯分组的基本模式，以及您使用的方法是否可以捕获这些。