二分 KMeans#

class sklearn.cluster.BisectingKMeans(n_clusters=8, *, init='random', n_init=1, random_state=None, max_iter=300, verbose=0, tol=0.0001, copy_x=True, algorithm='lloyd', bisecting_strategy='biggest_inertia')[source]#

二分K均值聚类。

更多信息请参见用户指南。

版本 1.1 中新增。

参数：

n_clustersint, default=8

要形成的簇数以及要生成的质心数。

init{‘k-means++’, ‘random’} or callable, default=’random’

初始化方法

‘k-means++’ : 以一种巧妙的方式选择k均值聚类的初始聚类中心，以加快收敛速度。更多详情请参见k_init中的注释部分。

‘random’: 从数据中随机选择 n_clusters 个观测值（行）作为初始质心。

如果传递了一个可调用对象，它应该接受参数X、n_clusters和一个随机状态，并返回一个初始化。

n_initint, default=1

在每次二分中，内部k均值算法将使用不同的质心种子运行的次数。这将导致每次二分都产生n_init次连续运行中根据惯性最佳的输出。

random_stateint, RandomState instance or None, default=None

确定内部K均值的质心初始化的随机数生成。使用整数使随机性确定性。参见词汇表。

max_iterint, default=300

每次二分时内部k均值算法的最大迭代次数。

verboseint, default=0

详细程度模式。

tolfloat, default=1e-4

关于两次连续迭代的聚类中心差异的Frobenius范数的相对容差，用于声明收敛。在每次二分中的内部k均值算法中使用，以选择最佳可能的聚类。

copy_xbool, default=True

预计算距离时，首先对数据进行中心化在数值上更准确。如果copy_x为True（默认值），则不会修改原始数据。如果为False，则会修改原始数据，并在函数返回之前将其放回，但可能会引入小的数值差异。请注意，如果原始数据不是C连续的，即使copy_x为False，也会创建一个副本。如果原始数据是稀疏的，但不是CSR格式，即使copy_x为False，也会创建一个副本。

algorithm{“lloyd”, “elkan”}, default=”lloyd”

二分中使用的内部K均值算法。经典的EM风格算法是 "lloyd"。 "elkan" 变体可以通过使用三角不等式在某些具有明确定义的聚类的数据集上更高效。但是，由于分配了形状为 (n_samples, n_clusters) 的额外数组，它更消耗内存。

bisecting_strategy{“biggest_inertia”, “largest_cluster”}, default=”biggest_inertia”

定义如何执行二分

“biggest_inertia” 表示BisectingKMeans将始终检查所有计算出的簇，查找具有最大SSE（平方误差和）的簇并将其二分。这种方法专注于精度，但在执行时间方面可能代价高昂（特别是对于较大的数据点数量）。
“largest_cluster” - BisectingKMeans将始终拆分从之前计算的所有簇中分配给它的点数最多的簇。这应该比按SSE（'biggest_inertia'）选择更快，并且在大多数情况下可能会产生类似的结果。

属性：

cluster_centers_ndarray of shape (n_clusters, n_features): 聚类中心的坐标。如果算法在完全收敛之前停止（参见 tol 和 max_iter），则这些将与 labels_ 不一致。
labels_ndarray of shape (n_samples,): 每个点的标签。
inertia_float: 样本到其最近聚类中心的平方距离之和，如果提供样本权重，则按样本权重加权。
n_features_in_int: 在拟合期间看到的特征数量。
feature_names_in_ndarray of shape (n_features_in_,): 在拟合期间看到的特征名称。仅当 X 具有全是字符串的特征名称时才定义。

另请参见

KMeans: K均值算法的原始实现。

备注

当n_cluster小于3时，可能会效率低下，因为在这种情况下不必要的计算。

示例

>>> from sklearn.cluster import BisectingKMeans
>>> import numpy as np
>>> X = np.array([[1, 1], [10, 1], [3, 1],
...               [10, 0], [2, 1], [10, 2],
...               [10, 8], [10, 9], [10, 10]])
>>> bisect_means = BisectingKMeans(n_clusters=3, random_state=0).fit(X)
>>> bisect_means.labels_
array([0, 2, 0, 2, 0, 2, 1, 1, 1], dtype=int32)
>>> bisect_means.predict([[0, 0], [12, 3]])
array([0, 2], dtype=int32)
>>> bisect_means.cluster_centers_
array([[ 2., 1.],
       [10., 9.],
       [10., 1.]])

有关二分K均值和K均值之间比较的示例，请参考二分K均值与常规K均值性能比较。

fit(X, y=None, sample_weight=None)[source]#

计算二分K均值聚类。

参数：

X形状为 (n_samples, n_features) 的 {数组、稀疏矩阵}: 用于聚类的训练样本。

注意

数据将转换为C顺序，如果给定数据不是C连续的，这将导致内存复制。
y忽略: 未使用，出于 API 一致性约定而保留在此处。
sample_weight形状为 (n_samples,) 的数组，默认为 None: X 中每个观测值的权重。如果为 None，则所有观测值都分配相同的权重。sample_weight如果init是可调用对象，则在初始化期间不使用。

返回：

self: 拟合后的估计器。

fit_predict(X, y=None, sample_weight=None)[source]#

计算聚类中心并预测每个样本的聚类索引。

便捷方法；等效于调用 fit(X) 后跟 predict(X)。

参数：

X形状为 (n_samples, n_features) 的 {数组、稀疏矩阵}: 要转换的新数据。
y忽略: 未使用，出于 API 一致性约定而保留在此处。
sample_weight形状为 (n_samples,) 的数组，默认为 None: X 中每个观测值的权重。如果为 None，则所有观测值都分配相同的权重。

返回：

labels形状为 (n_samples,) 的 ndarray: 每个样本所属聚类的索引。

fit_transform(X, y=None, sample_weight=None)[source]#

计算聚类并将 X 转换为聚类距离空间。

等效于 fit(X).transform(X)，但实现效率更高。

参数：

X形状为 (n_samples, n_features) 的 {数组、稀疏矩阵}: 要转换的新数据。
y忽略: 未使用，出于 API 一致性约定而保留在此处。
sample_weight形状为 (n_samples,) 的数组，默认为 None: X 中每个观测值的权重。如果为 None，则所有观测值都分配相同的权重。

返回：

X_new形状为 (n_samples, n_clusters) 的 ndarray: 在新空间中转换的 X。

get_feature_names_out(input_features=None)[source]#

获取转换的输出特征名称。

输出特征名称将以小写的类名作为前缀。例如，如果转换器输出 3 个特征，则输出的特征名称为： ["class_name0", "class_name1", "class_name2"]。

参数：

input_featuresstr 数组或 None，默认为 None: 仅用于使用在 fit 中看到的名称验证特征名称。

返回：

feature_names_outstr 对象的 ndarray: 转换后的特征名称。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南，了解路由机制的工作原理。

返回：

routingMetadataRequest: 一个 MetadataRequest 封装路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：

deepbool，默认为 True: 如果为 True，则将返回此估计器及其包含的子对象（也是估计器）的参数。

返回：

paramsdict: 参数名称与其值的映射。

predict(X)[source]#

预测 X 中每个样本属于哪个聚类。

通过在搜索最近的叶聚类的过程中向下遍历层次树来进行预测。

在矢量量化文献中，cluster_centers_称为码本，predict返回的每个值都是码本中最近代码的索引。

参数：

X形状为 (n_samples, n_features) 的 {数组、稀疏矩阵}: 要预测的新数据。

返回：

labels形状为 (n_samples,) 的 ndarray: 每个样本所属聚类的索引。

score(X, y=None, sample_weight=None)[source]#

K均值目标函数值的相反数。

参数：

X形状为 (n_samples, n_features) 的 {数组、稀疏矩阵}: 新数据。
y忽略: 未使用，出于 API 一致性约定而保留在此处。
sample_weight形状为 (n_samples,) 的数组，默认为 None: X 中每个观测值的权重。如果为 None，则所有观测值都分配相同的权重。

返回：

scorefloat: K均值目标函数值的相反数。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → BisectingKMeans[source]#

请求传递给fit方法的元数据。

请注意，只有当enable_metadata_routing=True时（参见sklearn.set_config），此方法才相关。请参阅用户指南了解路由机制的工作原理。

每个参数的选项如下：

True：请求元数据，如果提供则传递给fit。如果未提供元数据，则忽略请求。
False：不请求元数据，元估计器不会将其传递给fit。
None：不请求元数据，如果用户提供元数据，元估计器将引发错误。
str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而其他参数不变。

版本1.3中新增。

注意

仅当此估计器用作元估计器的子估计器（例如，在Pipeline中使用）时，此方法才相关。否则，它无效。

参数：

sample_weightstr, True, False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED: fit中的sample_weight参数的元数据路由。

返回：

selfobject: 更新后的对象。

set_output(*, transform=None)[source]#

设置输出容器。

参见Introducing the set_output API了解如何使用此API的示例。

参数：

transform{"default", "pandas", "polars"}, default=None

配置transform和fit_transform的输出。

"default"：转换器的默认输出格式
"pandas"：DataFrame输出
"polars"：Polars输出
None：转换配置不变

版本 1.4 中新增： "polars" 选项已添加。

返回：

self估计器实例: 估计器实例。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（例如Pipeline）。后者具有<component>__<parameter>形式的参数，因此可以更新嵌套对象的每个组件。

参数：

**paramsdict: 估计器参数。

返回：

self估计器实例: 估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → BisectingKMeans[source]#

请求传递给score方法的元数据。

请注意，只有当enable_metadata_routing=True时（参见sklearn.set_config），此方法才相关。请参阅用户指南了解路由机制的工作原理。

每个参数的选项如下：

True：请求元数据，如果提供，则将其传递给score。如果未提供元数据，则忽略请求。
False：不请求元数据，元估计器不会将其传递给score。
None：不请求元数据，如果用户提供元数据，元估计器将引发错误。
str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而其他参数不变。

版本1.3中新增。

注意

仅当此估计器用作元估计器的子估计器（例如，在Pipeline中使用）时，此方法才相关。否则，它无效。

参数：

sample_weightstr, True, False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED: score 中sample_weight参数的元数据路由。

返回：

selfobject: 更新后的对象。

transform(X)[source]#

将 X 转换为聚类距离空间。

在新空间中，每个维度都是到聚类中心的距离。请注意，即使 X 是稀疏的，transform 返回的数组通常也是密集的。

参数：

X形状为 (n_samples, n_features) 的 {数组、稀疏矩阵}: 要转换的新数据。

返回：

X_new形状为 (n_samples, n_clusters) 的 ndarray: 在新空间中转换的 X。

图库示例#

scikit-learn 1.1 版本亮点

二分 K 均值和正则 K 均值性能比较