三大指标助力K均值与层次聚类数选定及Python示例代码

在数据分析和机器学习领域，聚类作为一种核心技术，对于从未标记数据中发现模式和洞察力至关重要。聚类的过程是将数据点分组，使得同组内的数据点比不同组的数据点更相似，这在市场细分到社交网络分析的各种应用中都非常重要。然而，聚类最具挑战性的方面之一在于确定最佳聚类数，这一决策对分析质量有着重要影响。

虽然大多数数据科学家依赖肘部图和树状图来确定K均值和层次聚类的最佳聚类数，但还有一组其他的聚类验证技术可以用来选择最佳的组数（聚类数）。我们将在sklearn.datasets.load_wine问题上使用K均值和层次聚类来实现一组聚类验证指标。以下的大多数代码片段都是可重用的，可以在任何数据集上使用Python实现。

接下来我们主要介绍以下主要指标：

Gap统计量（Gap Statistics）（!pip install --upgrade gap-stat[rust]）
Calinski-Harabasz指数（Calinski-Harabasz Index ）（!pip install yellowbrick）
Davies Bouldin评分（Davies Bouldin Score ）（作为Scikit-Learn的一部分提供）
轮廓评分（Silhouette Score ）（!pip install yellowbrick）

引入包和加载数据

# Libraries to help with reading and manipulating data
import pandas as pd
import numpy as np
# libaries to help with data visualization
import matplotlib.pyplot as plt
import seaborn as sns
# Removes the limit for the number of displayed columns
pd.set_option("display.max_columns", None)
# Sets the limit for the number of displayed rows
pd.set_option("display.max_rows", 200)
# to scale the data using z-score
from sklearn.preprocessing import StandardScaler
# to compute distances
from scipy.spatial.distance import cdist, pdist
# to perform k-means clustering and compute silhouette scores
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
# to visualize the elbow curve and silhouette scores
from yellowbrick.cluster import KElbowVisualizer, SilhouetteVisualizer
# to perform hierarchical clustering, compute cophenetic correlation, and create dendrograms
from sklearn.cluster import AgglomerativeClustering
from scipy.cluster.hierarchy import dendrogram, linkage, cophenet
sns.set(color_codes=True)


from sklearn.datasets import load_iris, load_wine, load_digits, make_blobs
wine = load_wine()
X_wine = wine.data
X_wine1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.

三大指标助力K均值与层次聚类数选定及Python示例代码

标准化数据：

scaler=StandardScaler()X_wine_int=X_wine.copy()X_wine_interim=scaler.fit_transform(X_wine_int)X_wine_scaled=pd.DataFrame(X_wine_interim)X_wine_scaled.head(10)1.2.3.4.5.

三大指标助力K均值与层次聚类数选定及Python示例代码

Gap统计量（Gap Statistics）

三大指标助力K均值与层次聚类数选定及Python示例代码

from gap_statistic import OptimalKfrom sklearn.cluster import KMeans
def KMeans_clustering_func(X, k):    """ 
    K Means Clustering function, which uses the K Means model from sklearn.
    These user-defined functions *must* take the X (input features) and a k 
    when initializing OptimalK
    """
    
    # Include any clustering Algorithm that can return cluster centers
    
    m = KMeans(random_state=11, n_clusters=k)
    m.fit(X)
    return m.cluster_centers_, m.predict(X)#--------------------create a wrapper around OptimalK to extract cluster centers and cluster labelsoptimalK = OptimalK(clusterer=KMeans_clustering_func)#--------------------Run optimal K on the input data (subset_scaled_interim) and number of clustersn_clusters = optimalK(X_wine_scaled, cluster_array=np.arange(1, 15))print('Optimal clusters: ', n_clusters)#--------------------Gap Statistics data frameoptimalK.gap_df[['n_clusters', 'gap_value']]1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.

三大指标助力K均值与层次聚类数选定及Python示例代码

plt.figure(figsize=(10,6))n_clusters=3plt.plot(optimalK.gap_df.n_clusters.values, optimalK.gap_df.gap_value.values, linewidth=2)plt.scatter(optimalK.gap_df[optimalK.gap_df.n_clusters == n_clusters].n_clusters,
            optimalK.gap_df[optimalK.gap_df.n_clusters == n_clusters].gap_value, s=250, c='r')plt.grid(True)plt.xlabel('Cluster Count')plt.ylabel('Gap Value')plt.title('Gap Values by Cluster Count')plt.axvline(3, linestyle="--")plt.show()1.2.3.4.5.6.7.8.9.10.11.

三大指标助力K均值与层次聚类数选定及Python示例代码

上图展示不同K值（从K=1到14）下的Gap统计量值。请注意，在本例中我们可以将K=3视为最佳的聚类数。如上所述，可以从图中获得Gap统计量的拐点。

Calinski-Harabasz指数（Calinski-Harabasz Inde）

Calinski-Harabasz指数，也称为方差比准则，是所有组的组间距离与组内距离之和（群内距离）的比值。较高的分数表示更好的聚类紧密度。可以使用Python的YellowBrick库中的KElbow visualizer来计算。

plt.figure(figsize=(10,6))model = KMeans(random_state=1)# k is a range of the number of clusters.visualizer = KElbowVisualizer(
    model, k=(2, 10), metric="calinski_harabasz", timings=True)visualizer.fit(X_wine_scaled)  # Fit the data to the visualizervisualizer.show()  # Finalize and generate the plot1.2.3.4.5.6.7.8.

三大指标助力K均值与层次聚类数选定及Python示例代码

上图展示不同K值（从K=1到9）下的Calinski Harabasz指数。请注意，在本例中我们可以将K=2视为最佳的聚类数。如上所述，可以从图中获得Calinski Harabasz指数的最大值。

使用“metric”超参数选择用于评估群组的评分指标。默认使用的指标是均方失真，定义为每个点到其最近质心（即聚类中心）的距离平方和。其他一些指标包括：

distortion：点到其聚类中心的距离平方和的均值
silhouette：聚类内距离与数据点到其最近聚类中心距离的比率，对所有数据点求平均
calinski_harabasz：群内到群间离散度的比率

Davies-Bouldin指数（Davies-Bouldin Index）

Davies-Bouldin指数计算为每个聚类（例如Ci）与其最相似聚类（例如Cj）的平均相似度。这个指数表示聚类的平均“相似度”，其中相似度是一种将聚类距离与聚类大小相关联的度量。具有较低Davies-Bouldin指数的模型在聚类之间有更好的分离效果。对于聚类i到其最近的聚类j的相似度R定义为(Si + Sj) / Dij，其中Si是聚类i中每个点到其质心的平均距离，Dij是聚类i和j质心之间的距离。一旦计算了相似度（例如i = 1, 2, 3, ..., k）到j，我们取R的最大值，然后按聚类数k进行平均。

from sklearn.metrics import davies_bouldin_score
def get_Hmeans_score(  data, distance, link, center):  
    """
    returns the  score regarding Davies Bouldin for points to centers
    INPUT:
        data - the dataset you want to fit Agglomerative to
        distance - the distance for AgglomerativeClustering
        link - the linkage method for AgglomerativeClustering
        center - the number of clusters you want (the k value)
    OUTPUT:
        score - the Davies Bouldin score for the Hierarchical model fit to the data
    """
    hmeans = AgglomerativeClustering(n_clusters=center,linkage=link)
    model = hmeans.fit_predict(data)
    score = davies_bouldin_score(data, model)
    return score


centers = list(range(2, 10)) #------Number of Clusters in the dataavg_scores = []for center in centers:
  avg_scores.append(get_Hmeans_score(X_wine_scaled, "euclidean", "average", center))plt.figure(figsize=(15,6));
 plt.plot(centers, avg_scores, linestyle="-", marker="o", color="b")plt.xlabel("K")plt.ylabel("Davies Bouldin score")plt.title("Davies Bouldin score vs. K")1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.

三大指标助力K均值与层次聚类数选定及Python示例代码

上图展示不同K值（从K=1到9）下的Davies Bouldin指数。请注意，在本例中我们可以将K=2视为最佳的聚类数。如上所述，可以从图中获得Davies Bouldin指数的最小值，该值对应于最优化的聚类数。

轮廓分数（Silhouette Score）

轮廓分数衡量了考虑到聚类内部（within）和聚类间（between）距离的聚类之间的差异性。在下面的公式中，bi代表了点i到所有不属于其所在聚类的任何其他聚类中所有点的平均最短距离；ai是所有数据点到其聚类中心的平均距离。如果bi大于ai，则表示该点与其相邻聚类分离良好，但与其聚类内的所有点更接近。

三大指标助力K均值与层次聚类数选定及Python示例代码

plt.figure(figsize=(10,6))model = KMeans(random_state=1)# k is a range of the number of clusters.visualizer = KElbowVisualizer(
    model, k=(2, 10), metric="silhouette", timings=True)visualizer.fit(X_wine_scaled)  # Fit the data to the visualizervisualizer.show()  # Finalize and generate the plot1.2.3.4.5.6.7.8.

三大指标助力K均值与层次聚类数选定及Python示例代码

上图展示不同K值（从K=1到9）下的轮廓分数。请注意，在本例中我们可以将K=2视为最佳的聚类数。如上所述，轮廓分数可以从图中获得最大值，该值对应于最优化的聚类数。

在数据分析和机器学习中，聚类是一项关键技术，帮助我们从未标记的数据中发现模式和洞察。确定最佳聚类数是聚类过程中的重要挑战，影响分析质量。本文介绍了多种聚类验证技术如Gap统计量、Calinski-Harabasz指数、Davies Bouldin指数和轮廓分数，这些指标可以帮助我们选择最优化的聚类数，提升聚类结果的有效性和可靠性。