计算每个 K-means 集群的数据点

Question

我有一个真实和伪造钞票的钞票小波数据数据集，具有两个特征：

1. X 轴：小波变换图像的方差
2. Y 轴：小波变换图像的偏度

我在这个数据集上运行 K-means 来识别 2 组数据，它们基本上是真钞和伪造钞票。

现在我有 3 个问题：

1. 如何统计每个集群的数据点？
2. 如何根据集群设置每个数据点的颜色？
3. 如果没有数据中的其他特征，我如何知道数据点是真实的还是伪造的？我知道数据集有一个“类别”，其中显示 1 和 2 代表真品和伪造品，但如果没有“类别”特征，我可以识别它吗？

我的代码：

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.patches as patches
import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.patches as patches

data = pd.read_csv('Banknote-authentication-dataset-all.csv')

V1 = data['V1']
V2 = data['V2']
bn_class = data['Class']


V1_min = np.min(V1)
V1_max = np.max(V1)

V2_min = np.min(V2)
V2_max = np.max(V2)

normed_V1 = (V1 - V1_min)/(V1_max - V1_min)
normed_V2 = (V2 - V2_min)/(V2_max - V2_min)

V1_mean = normed_V1.mean()
V2_mean = normed_V2.mean()

V1_std_dev = np.std(normed_V1)
V2_std_dev = np.std(normed_V2)

ellipse = patches.Ellipse([V1_mean, V2_mean], V1_std_dev*2, V2_std_dev*2, alpha=0.4)

V1_V2 = np.column_stack((normed_V1, normed_V2))

km_res = KMeans(n_clusters=2).fit(V1_V2)
clusters = km_res.cluster_centers_

plt.xlabel('Variance of Wavelet Transformed image')
plt.ylabel('Skewness of Wavelet Transformed image')
scatter = plt.scatter(normed_V1,normed_V2, s=10, c=bn_class, cmap='coolwarm')
#plt.scatter(V1_std_dev, V2_std_dev,s=400, Alpha=0.5)
plt.scatter(V1_mean, V2_mean, s=400, Alpha=0.8, c='lightblue')
plt.scatter(clusters[:,0], clusters[:,1],s=3000,c='orange', Alpha=0.8)
unique = list(set(bn_class))

plt.text(1.1, 0, 'Kmeans cluster centers', bbox=dict(facecolor='orange'))
plt.text(1.1, 0.11, 'Arithmetic Mean', bbox=dict(facecolor='lightblue'))
plt.text(1.1, 0.33, 'Class 1 - Genuine Notes',color='white', bbox=dict(facecolor='blue'))
plt.text(1.1, 0.22, 'Class 2 - Forged Notes', bbox=dict(facecolor='red'))

plt.savefig('figure.png',bbox_inches='tight')

plt.show()

附上图片以获得更好的可见性

Answer 1

1. 如何统计每个集群的数据点

您可以通过使用fit_predict 而不是fit 轻松做到这一点，或者在拟合训练数据后调用predict。

这是一个工作示例：

kM = KMeans(...).fit_predict(V1_V2)
labels = kM.labels_

clusterCount = np.bincount(labels)

clusterCount 现在将保存您关于每个集群中有多少点的信息。您可以使用fit 然后predict 轻松做到这一点，但这应该更有效：

kM = KMeans(...).fit(V1_V2)
labels = kM.predict(V1_V2)

clusterCount = np.bincount(labels)

1. 要设置其颜色，请使用kM.labels_ 或kM.predict() 的输出作为着色索引。

labels = kM.predict(V1_V2)

plt.scatter(normed_V1, normed_V2, s=10, c=labels, cmap='coolwarm') # instead of c=bn_class

1. 对于一个新数据点，请注意您拥有的 KMeans 如何很好地分离出两个类中的大部分。这种可分离性意味着您实际上可以使用您的 KMeans 集群作为预测变量。只需使用predict。

predictedClass = KMeans.predict(newDataPoint)

集群被分配了它拥有多数的类的值。 或者甚至是一个百分比的机会。