机器学习实验4——果汁聚类（K-Means）

 

实验4 K-Means 实操项目：不同含量果汁饮料的聚类

【实验内容】

某企业通过采集企业自身流水线生产的一种果汁饮料含量的数据集，来实现K-Means算法。通过聚类以判断该果汁饮料在一定标准含量偏差下的生产质量状况，对该饮料进行类别判定。

 【数据集】
 
 该数据集共有样本59个，变量2个，包括juice（该饮料的果汁含量偏差）、sweet（该饮料的糖分含量偏差），单位均为mg/ml。 
 
 所有特征变量都为与标准含量相比的偏差，该数据集没有目标类别标签变量。

【实验要求】

1.加载数据集，读取数据，探索数据。（数据集路径：data/data76878/4_beverage.csv）

2.样本数据转化（可将pandasframe格式的数据转化为数组形式），并进行可视化（绘制散点图），观察数据的分布情况，从而可以得出k的几种可能取值。

3.针对每一种k的取值，进行如下操作：

（1）进行K-Means算法模型的配置、训练。

（2）输出相关聚类结果，并评估聚类效果。
   
    这里可采用CH指标来对聚类有效性进行评估。在最后用每个k取值时评估的CH值进行对比，可得出k取什么值时，聚类效果更优。

    注：这里缺乏外部类别信息，故采用内部准则评价指标（CH）来评估。 (metrics.calinski_harabaz_score())       
       
（3）输出各类簇标签值、各类簇中心，从而判断每类的果汁含量与糖分含量情况。

（4）聚类结果及其各类簇中心点的可视化（散点图），从而观察各类簇分布情况。（不同的类表明不同果汁饮料的果汁、糖分含量的偏差情况。）

4.【扩展】（选做）：设置k一定的取值范围，进行聚类并评价不同的聚类结果。

  参考思路：设置k的取值范围；对不同取值k进行训；计算各对象离各类簇中心的欧氏距离，生成距离表；提取每个对象到其类簇中心的距离，并相加；依次存入距离结果；绘制不同看、值对应的总距离值折线图。    

In [1]

#1.加载数据集，读取数据，探索数据。（数据集路径：data/data76878/4_beverage.csv）
import pandas as pd
csv_beverage=pd.read_csv('data/data76878/4_beverage.csv')
print(csv_beverage[:5])
#2.样本数据转化（可将pandasframe格式的数据转化为数组形式），并进行可视化（绘制散点图），观察数据的分布情况，从而可以得出k的几种可能取值。
juice=csv_beverage.loc[:,'juice'].values.reshape(-1,1)
sweet=csv_beverage.loc[:,'sweet'].values.reshape(-1,1)
import matplotlib.pyplot as plt
plt.figure()
plt.scatter(juice,sweet)
plt.show()  

    juice   sweet
0  2.1041  0.8901
1 -1.0617 -0.4111
2  0.3521 -1.7488
3 -0.1962  2.5952
4  1.4158  1.0928

<Figure size 432x288 with 1 Axes>

In [2]

#3.针对每一种k的取值，进行如下操作：
from sklearn.cluster import KMeans
from sklearn import metrics
#（1）进行K-Means算法模型的配置、训练。
#（2）输出相关聚类结果，并评估聚类效果。
    #这里可采用CH指标来对聚类有效性进行评估。在最后用每个k取值时评估的CH值进行对比，可得出k取什么值时，聚类效果更优。
    #注：这里缺乏外部类别信息，故采用内部准则评价指标（CH）来评估。 (metrics.calinski_harabaz_score())

for n_cluster in range(2,8):
    print('n_clusters=',n_cluster)#模型配置
    kmeans=KMeans(n_clusters=n_cluster)
    kmeans.fit(csv_beverage)#模型训练
    predict_beverage=kmeans.predict(csv_beverage)
    #输出聚类结果
    centroid=kmeans.cluster_centers_
    print('centroid:\n',centroid)
    #CH评估聚类结果
    score=metrics.calinski_harabasz_score(csv_beverage,predict_beverage)
    print('score=',score)
    print('*********************************')

n_clusters= 2
centroid:
 [[ 0.20340968  1.43033548]
 [-0.30035357 -1.44121786]]
score= 60.84196357784196
*********************************
n_clusters= 3
centroid:
 [[-0.30035357 -1.44121786]
 [ 1.44084375  1.44255625]
 [-1.11652     1.4173    ]]
score= 73.95986749645601
*********************************
n_clusters= 4
centroid:
 [[ 1.04653846 -1.64170769]
 [-1.11652     1.4173    ]
 [ 1.44084375  1.44255625]
 [-1.46766    -1.26746   ]]
score= 188.0667309404243
*********************************
n_clusters= 5
centroid:
 [[-1.46766    -1.26746   ]
 [ 1.44084375  1.44255625]
 [ 1.04653846 -1.64170769]
 [-1.54777143  1.2553    ]
 [-0.739175    1.55905   ]]
score= 161.09116225622554
*********************************
n_clusters= 6
centroid:
 [[-1.6057     -1.41931667]
 [ 1.44084375  1.44255625]
 [ 1.25578    -1.59305   ]
 [-1.100825    1.60950833]
 [-1.17786     0.25892   ]
 [ 0.163025   -1.68525   ]]
score= 156.11781485190346
*********************************
n_clusters= 7
centroid:
 [[-1.100825    1.60950833]
 [-1.6057     -1.41931667]
 [ 1.7232875   1.1631875 ]
 [ 1.25578    -1.59305   ]
 [-1.17786     0.25892   ]
 [ 1.1584      1.721925  ]
 [ 0.163025   -1.68525   ]]
score= 154.38047888582275
*********************************