我正在尝试绘制从模糊 C 均值聚类算法获得的聚类的可视化。对于通过 k-means 获得的清晰集群，通过正常的散点图（例如通过 matplotlib 获得的散点图）很容易可视化。是否有推荐的方法来绘制模糊集群以可视化重叠？如果是，如何？
【问题讨论】：
标签： python matplotlib visualization cluster-analysis unsupervised-learning
一种选择是将您的数据分为两组：属于集群一部分且归属度 >= X 的点和小于 X 的点。将归属度 >= X 的点称为清晰组。对于那些小于 X 的人，您可以为每个不同的集群创建组，称这些为模糊组。每个模糊组都将具有不在清晰组中的所有数据点。
现在，当您进行绘图时，为每个集群分配一种颜色，假设您有三个集群 A、B 和 C。为它们分配蓝色、绿色和红色颜色。以 100% 的不透明度绘制清晰组的组颜色，然后为每个模糊组查看点的归属程度，并以集群颜色的一些缩小的不透明度绘制它们。
由于您必须为每个模糊组作为一个整体分配颜色，因此最好将它们“分类”为按归属程度的直方图，或者您可以一起跳过所有组并单独绘制每个点。
例如假设我们有 2 个集群 A 和 B，并且
data = [(0.2,0.8),(0.5,0.5),(0.65,0.35),(0.25,0.75)]
其中数据代表我们每个点的归属程度（A，B）（我不会列出其坐标，但假设它们可以用ptn 表示）。那么如果 X 是 0.7，我们会做 crisp_A = [pt1] 和 crisp_B = [pt4]。然后fuzzy_A = [pt2, pt3] 和fuzzy_B = [pt2,pt2]。将crisp_A 和crisp_B 绘制为全色，然后使用cm.hsv 或类似于fuzzy_A 和fuzzy_B 的东西按各自的归属程度进行缩放。
【讨论】：