Tutorial para scipy.Cluster.jerarquía [cerrado]

Hay tres pasos en la agrupación aglomerativa jerárquica (HAC):

1. Cuantificar los datos (metric argumento)
2. Datos de clúster (method argumento)
3. Elija el número de clusters

Haciendo

z = linkage(a)

Cumplirá los dos primeros pasos. Dado que no especificó ningún parámetro, utiliza los valores estándar

1. metric = 'euclidean'
2. method = 'single'

Así que z = linkage(a) le dará un solo enlace aglomerativa hierática agrupación de a. Esta agrupación es una especie de jerarquía de soluciones. De esta jerarquía se obtiene información sobre la estructura de los datos. Lo que podrías hacer ahora es:

• Compruebe qué metric es apropiado, por ejemplo cityblock o chebychev cuantificará sus datos de manera diferente (cityblock, euclidean y chebychev corresponden a L1, L2, y L_inf norma)
• Compruebe las diferentes propiedades / comportamientos del methdos (p. ej.. single, complete and average)
• Compruebe cómo determinar el número de clusters, por ejemplo, leyendo la wiki sobre ello {[50]]}
• Calcular índices en las soluciones encontradas (clusterings) como el coeficiente de silueta (con este coeficiente se obtiene una retroalimentación sobre la calidad de lo bien que un punto/observación se ajusta al clúster al que se le asigna la agrupación). Diferentes índices utilizan diferentes criterios para calificar una agrupación.

Aquí hay algo para comenzar con

import numpy as np
import scipy.cluster.hierarchy as hac
import matplotlib.pyplot as plt


a = np.array([[0.1,   2.5],
              [1.5,   .4 ],
              [0.3,   1  ],
              [1  ,   .8 ],
              [0.5,   0  ],
              [0  ,   0.5],
              [0.5,   0.5],
              [2.7,   2  ],
              [2.2,   3.1],
              [3  ,   2  ],
              [3.2,   1.3]])

fig, axes23 = plt.subplots(2, 3)

for method, axes in zip(['single', 'complete'], axes23):
    z = hac.linkage(a, method=method)

    # Plotting
    axes[0].plot(range(1, len(z)+1), z[::-1, 2])
    knee = np.diff(z[::-1, 2], 2)
    axes[0].plot(range(2, len(z)), knee)

    num_clust1 = knee.argmax() + 2
    knee[knee.argmax()] = 0
    num_clust2 = knee.argmax() + 2

    axes[0].text(num_clust1, z[::-1, 2][num_clust1-1], 'possible\n<- knee point')

    part1 = hac.fcluster(z, num_clust1, 'maxclust')
    part2 = hac.fcluster(z, num_clust2, 'maxclust')

    clr = ['#2200CC' ,'#D9007E' ,'#FF6600' ,'#FFCC00' ,'#ACE600' ,'#0099CC' ,
    '#8900CC' ,'#FF0000' ,'#FF9900' ,'#FFFF00' ,'#00CC01' ,'#0055CC']

    for part, ax in zip([part1, part2], axes[1:]):
        for cluster in set(part):
            ax.scatter(a[part == cluster, 0], a[part == cluster, 1], 
                       color=clr[cluster])

    m = '\n(method: {})'.format(method)
    plt.setp(axes[0], title='Screeplot{}'.format(m), xlabel='partition',
             ylabel='{}\ncluster distance'.format(m))
    plt.setp(axes[1], title='{} Clusters'.format(num_clust1))
    plt.setp(axes[2], title='{} Clusters'.format(num_clust2))

plt.tight_layout()
plt.show()

Da