Сравнение производительности бисекционного K-Means и обычного K-Means

В этом примере показаны различия между обычным алгоритмом K-Means и бисекционным K-Means.

При увеличении n_clusters результаты кластеризации K-Means меняются, тогда как кластеризация бисекционным K-Means строится на основе предыдущих результатов. В результате он, как правило, формирует кластеры с более регулярной структурой на крупном масштабе. Это различие можно увидеть на графике: при любом количестве кластеров в случае BisectingKMeans общую область данных пересекает разделительная линия, которая отсутствует при обычном K-Means.

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

import matplotlib.pyplot as plt

from sklearn.cluster import BisectingKMeans, KMeans
from sklearn.datasets import make_blobs

# Generate sample data
n_samples = 10000
random_state = 0

X, _ = make_blobs(n_samples=n_samples, centers=2, random_state=random_state)

# Number of cluster centers for KMeans and BisectingKMeans
n_clusters_list = [4, 8, 16]

# Algorithms to compare
clustering_algorithms = {
    "Bisecting K-Means": BisectingKMeans,
    "K-Means": KMeans,
}

# Make subplots for each variant
fig, axs = plt.subplots(
    len(clustering_algorithms), len(n_clusters_list), figsize=(12, 5)
)

axs = axs.T

for i, (algorithm_name, Algorithm) in enumerate(clustering_algorithms.items()):
    for j, n_clusters in enumerate(n_clusters_list):
        algo = Algorithm(n_clusters=n_clusters, random_state=random_state, n_init=3)
        algo.fit(X)
        centers = algo.cluster_centers_

        axs[j, i].scatter(X[:, 0], X[:, 1], s=10, c=algo.labels_)
        axs[j, i].scatter(centers[:, 0], centers[:, 1], c="r", s=20)

        axs[j, i].set_title(f"{algorithm_name} : {n_clusters} clusters")


# Hide x labels and tick labels for top plots and y ticks for right plots.
for ax in axs.flat:
    ax.label_outer()
    ax.set_xticks([])
    ax.set_yticks([])

plt.show()

Общее время выполнения скрипта: (0 минут 1.041 секунды)

Download Jupyter notebook: plot_bisect_kmeans.ipynb

Download Python source code: plot_bisect_kmeans.py

Download zipped: plot_bisect_kmeans.zip

Связанные примеры

Демонстрация предположений метода k-means

Сравнение алгоритмов кластеризации K-Means и MiniBatchKMeans

Пример инициализации K-Means++

Эмпирическая оценка влияния инициализации k-means