Python实现聚类分析（最近更新：2019/11/13）

0 写在前面

聚类算法相关概念可以看我写的这篇文章：地址
这篇文章将解析利用sklearn作聚类分析时常用到的代码，以下的api都是属于sklearn.cluster以下的，使用时注意。
参考资料：

1. 非监督学习之三——聚类算法（Clustering）
2. sklearn-clustering

1 K-Means算法

1. .KMeans(n_clusters=8, init=’k-means++’, n_init=10, max_iter=300, tol=0.0001, precompute_distances=’auto’, verbose=0, random_state=None, copy_x=True, n_jobs=None, algorithm=’auto’)

n_clusters：这个参数指出聚类簇的个数即k的值；
init：默认k-means++，可以选择较分散的点作为初始聚类中心点，还可以选择random，表示随机选择初始点作为聚类中心迭代。

2. .MiniBatchKMeans(n_clusters=8, init=’k-means++’, max_iter=100, batch_size=100, verbose=0, compute_labels=True, random_state=None, tol=0.0, max_no_improvement=10, init_size=None, n_init=3, reassignment_ratio=0.01)

mini-batch思想：每次迭代从样本中随机选择一部分的样本来训练。其效果只比不mini-batch的差一点，但训练速度将加快很多。

2 亲和力传播

1. .AffinityPropagation(damping=0.5, max_iter=200, convergence_iter=15, copy=True, preference=None, affinity=’euclidean’, verbose=False)

3 Mean Shift

1. .MeanShift(bandwidth=None, seeds=None, bin_seeding=False, min_bin_freq=1, cluster_all=True, n_jobs=None)

4 光谱聚类

1. .SpectralClustering(n_clusters=8, eigen_solver=None, random_state=None, n_init=10, gamma=1.0, affinity=’rbf’, n_neighbors=10, eigen_tol=0.0, assign_labels=’kmeans’, degree=3, coef0=1, kernel_params=None, n_jobs=None)

5 层次聚类

1. .AgglomerativeClustering(n_clusters=2, affinity=’euclidean’, memory=None, connectivity=None, compute_full_tree=’auto’, linkage=’ward’, pooling_func=’deprecated’, distance_threshold=None)

6 DBSCAN

1. .DBSCAN(eps=0.5, min_samples=5, metric=’euclidean’, metric_params=None, algorithm=’auto’, leaf_size=30, p=None, n_jobs=None)

7 OPTICS

1. .OPTICS(min_samples=5, max_eps=inf, metric=’minkowski’, p=2, metric_params=None, cluster_method=’xi’, eps=None, xi=0.05, predecessor_correction=True, min_cluster_size=None, algorithm=’auto’, leaf_size=30, n_jobs=None)

8 Birch

1. .Birch(threshold=0.5, branching_factor=50, n_clusters=3, compute_labels=True, copy=True)