在進行機器學習時，我們往往要對數(shù)據(jù)進行聚類分析，聚類，說白了就是把相似的樣品點/數(shù)據(jù)點進行歸類，相似度高的樣品點會放在一起，這樣一個樣本就會被分成幾類。而聚類分析也有很多種方法，比如分解法、加入法、有序樣品的聚類、模糊聚類法以及系統(tǒng)聚類法等。而本文要介紹的就是系統(tǒng)聚類法，以及如何用python來進行系統(tǒng)聚類分析。
首先來看一下系統(tǒng)聚類法的定義。系統(tǒng)聚類法（hierarchical clustering method），又叫分層聚類法，是目前最常用的聚類分析方法。其基本步驟如下：假設樣本中有n個樣品，那么就先將這n個樣品看作n類，也就是一個樣品一個類，然后將性質最接近的兩類合并為一個新的類，這樣就得到n-1個類，接著從中再找出最接近的兩個類，讓其進行合并，這樣就變?yōu)閚-2個類，讓此過程持續(xù)進行下去，最后所有的樣品都歸為一類，把上述過程繪制成一張圖，這個圖就稱為聚類圖，從圖中再決定分為多少類。其大致過程如圖1所示。
圖1. 系統(tǒng)聚類分析示意圖
而這里我們要確定各個樣品的相似度，才能將其歸類，那么如何確定其相似度呢？通常我們用的方法是計算各個樣品點之間的距離，然后再根據(jù)距離來分類。這里我們根據(jù)距離來分類，同樣也是有幾種方法的，比如最短距離法、最長距離法、重心法、類平均法以及ward法。下面我們對這幾種方法進行一個簡單的介紹。
1. 最短距離法
最短距離法就是從兩個類中找出距離最短的兩個樣品點，如圖2所示。點3和點7是類G1和類G2中距離最短的兩個點。計算公式如圖4所示。
圖2. 最短距離法示意圖
2. 最長距離法
最長距離法就是從兩個類中找出距離最長的兩個樣品點，如圖3所示。點1和點6是類G1和類G2中距離最長的兩個點。計算公式如圖4所示。
圖3. 最長距離法示意圖
3. 重心法
從物理的觀點看，一個類用它的重心，也就是類樣品的均值，來做代表比較合理，類之間的距離也就是重心之間的距離。若樣品之間用歐氏距離，設某一步將類G1與G2合并成G3，它們各有n1、n2、n3個樣品，其中n3=n1+n2，它們的重心用X1、X2和X3表示，則X3=1/n3(n1X1+n2X2)。重心法的計算公式參考圖4。
4. 類平均法
這個顧名思義，就是取兩個類之間所有點的距離的平均值。計算公式如圖4所示。
圖4. 常用的距離計算方法
5. 離差平方和法
離差平方和法又叫Ward法，其思想源于方差分析，即如果類分得正確，同類樣品的離差平方和應當較小，類與類之間的離差平方和應該較大。計算公式如圖4所示。
在了解了系統(tǒng)聚類法的基本知識以后，我們就用python代碼來展示一下系統(tǒng)聚類法的具體使用。
首先還是導入各種庫。
importnumpyasnpfrommatplotlibimportpyplotaspltfromscipy.cluster.hierarchyimportdendrogram,linkage
接下來是生成數(shù)據(jù)集。我們這次用的數(shù)據(jù)集是隨機生成的，數(shù)量也不多，一共15個數(shù)據(jù)點，分為兩個數(shù)據(jù)簇，一個有7個數(shù)據(jù)點，另一個有8個。之所以把數(shù)據(jù)點數(shù)量設置這么少，是因為便于看清數(shù)據(jù)分布，以及后面畫圖時容易看清圖片的分類。代碼如下。
state=np.random.RandomState(99)#設置隨機狀態(tài)a=state.multivariate_normal([10,10],[[1,3],[3,11]],size=7)#生成多元正態(tài)變量b=state.multivariate_normal([-10,-10],[[1,3],[3,11]],size=8)data=np.concatenate((a,b))#把數(shù)據(jù)進行拼接
這里我們設置一個隨機狀態(tài)，便于重復試驗。然后利用這個隨機狀態(tài)生成兩個變量a和b，這兩個變量就是前面說過的數(shù)據(jù)簇，a有7個數(shù)據(jù)點，b有8個，a和b都是多元正態(tài)變量，其中a的均值向量是[10, 10]，b的均值向量是[-10, -10]，兩者協(xié)方差矩陣是[[1, 3], [3, 11]]。這里要注意的是協(xié)方差矩陣要是正定矩陣或半正定矩陣。然后對a與b進行拼接，得到變量data。
接下來要繪制數(shù)據(jù)點的分布。代碼如下。
fig,ax=plt.subplots(figsize=(8,8))#設置圖片大小ax.set_aspect(\'equal\')#把兩坐標軸的比例設為相等plt.scatter(data[:,0],data[:,1])plt.ylim([-30,30])#設置Y軸數(shù)值范圍plt.xlim([-30,30])plt.show()
這里代碼比較簡單，不再贅述，主要說一下ax.set_aspect(\'equal\')這行代碼，因為matplotlib默認情況下x軸和y軸的比例是不同的，也就是相同單位長度的線段，在顯示時長度是不一樣的，所以要把二者的比例設為一樣，這樣圖片看起來更協(xié)調更準確。所繪制圖片如圖5所示，從圖中可以明顯看到兩個數(shù)據(jù)簇，上面那個數(shù)據(jù)簇大概集中在坐標點[10, 10]附近，而下面那個大概集中在[-10, -10]附近，這和我們設置的是一樣的。從圖中可以很明顯看出，這個數(shù)據(jù)集大概可以分為兩類，即上面的數(shù)據(jù)簇分為一類，下面的數(shù)據(jù)簇分為另一類，但我們還要通過算法來計算一下。
圖5. 所用數(shù)據(jù)分布圖
然后是數(shù)據(jù)處理，代碼如下。
z=linkage(data,average)#用average算法，即類平均法
數(shù)據(jù)處理只有這一行代碼，非常簡單，但難點也就在這。首先我們來看一下z的結果，如圖6所示。
圖6. 聚類計算結果
很多人第一次看到這個結果都是一臉懵逼，甚至是n臉懵逼，但其實里面的道理很簡單。scipy官方對此有一些設定，比如該結果中第一行有4個數(shù)字，即11、13、0.14740505、2，前兩個數(shù)字就是指“類”，剛開始每個點就是一個類，所以11和13這兩個點就是兩個類，第三個數(shù)字0.14740505就是這兩個點的距離，這兩個點被合并成一個類，所以這個新的類包含兩個點（11和13），這也就是第四個點的數(shù)值2，而這個新的類就被算為類15。注意這里是類15，不是第15個類，因為我們原來的數(shù)據(jù)集中有15個點，按照順序就是類0、類1、類2...類14，因為python是從0開始，所以這里類15就是指第16個類。z的第二行數(shù)據(jù)里，前兩個數(shù)字是2和5，就是原來類2和類5，距離是0.3131184，包含2個點，這行數(shù)據(jù)和第一行類似。然后再看第三行數(shù)據(jù)，前兩個數(shù)字是10和15，就是類10與類15，類15就是前面第一行合并成的新類，其包含11和13這兩個點，類15與類10的距離是0.39165998，這個數(shù)字是類11和13與類10的平均距離，因為我們這里用的算法是average，類10、11和13合并為了一個新類，其包含3個點，所以第四個數(shù)字就是3。z中其他行的數(shù)據(jù)按照此規(guī)律以此類推。最后一行數(shù)據(jù)中，類26和27合并成一個新類，這個類包含了全部15個點，也就是這15個點最終劃為了一個類，算法終止。
接下來就是畫圖，代碼如下，其結果如圖7所示。
fig,ax=plt.subplots(figsize=(8,8))dendrogram(z,leaf_font_size=14)#畫圖plt.title(HierachialClusteringDendrogram)plt.xlabel(Clusterlabel)plt.ylabel(Distance)plt.axhline(y=10)#畫一條分類線plt.show()
圖7. 聚類結果圖
從圖中可以看出，這15個點可以分為兩類，前面綠色的線連接的點代表一類，即點0到點6這7個點，后面紅色的線連接的點代表第二類，即點7到點14這8個點。我們可以看到這個劃分結果是非常正確的，和我們當時的設定是一樣的。
系統(tǒng)聚類法的算法比較簡單，實用性非常高，是目前使用最廣泛的聚類方法，但該方法在處理極大數(shù)據(jù)量時會有所不足，所以最好配合其他算法來使用，同時使用者在使用時要根據(jù)自己的情況，來選擇合適的距離計算方法。本文主要用類平均法來進行聚類操作，因為這個數(shù)據(jù)集非常簡單，所以用其他距離計算方法得到的結果和這個是一樣的。如果數(shù)據(jù)量比較大時，最終不同距離計算方法得到的結果可能不同，所以使用者要根據(jù)自己的情況來進行選擇。
重慶分公司
重慶分公司
