使用 K-Means 聚类时，为啥我的数据点不在正确准确的聚类中？

Posted 2023-03-12

【中文标题】使用 K-Means 聚类时，为啥我的数据点不在正确准确的聚类中？

【英文标题】：Why aren't my data points in their correct accurate clusters while using K-Means Clustering?使用 K-Means 聚类时，为什么我的数据点不在正确准确的聚类中？

【发布时间】：2019-09-20 14:29:33

【问题描述】：

我使用 K-Means 聚类绘制了一些数据点。屏幕截图位于“https://imageshack.com/i/pomMJXMkj”。当我可视化这些数据点时，可以清楚地看到许多点不在它们各自的簇中，而这个绿色点就是其中之一，它远离其质心，并且显然非常靠近蓝色质心。根据 K-Means 算法，将点添加到具有最近质心的集群中。但是这里为什么不是这样呢？

下面提到了以下视觉对象的代码，数据集的链接是“https://github.com/Vivek-Nimmagadda/Player-Prediction-Using-Python/blob/master/Bowlers/Bowlers.csv”：

# Importing the Batsmen Dataset

dataset = pd.read_csv('Bowlers\Bowlers.csv')

X = dataset.iloc[:, [1, 2, 3, 4, 5, 6, 7]].values



# Using Elbow Method to find the optimal number of Clusters

from sklearn.cluster import KMeans

wcss = []

for i in range(1, 11):

    kmeans = KMeans(n_clusters=i, init='k-means++', n_init=10, max_iter=300, random_state=0)

    kmeans.fit(X)

    wcss.append(kmeans.inertia_)

plt.plot(range(1, 11), wcss)

plt.title('The Elbow Method')

plt.xlabel('Number of Clusters')

plt.ylabel('WCSS')

plt.show()



# Fitting K-Meaens Clustering Algorithm to the Dataset

kmeans = KMeans(n_clusters=4, init='k-means++', n_init=10, max_iter=300, random_state=0)

y_kmeans = kmeans.fit_predict(X)



# Visualising the Clusters

plt.scatter(X[y_kmeans == 0,2], X[y_kmeans == 0,4], s = 100, c = 'blue', label = 'Good Form')

plt.scatter(X[y_kmeans == 1,2], X[y_kmeans == 1,4], s = 100, c = 'purple', label = 'Average Touch')

plt.scatter(X[y_kmeans == 2,2], X[y_kmeans == 2,4], s = 100, c = 'green', label = 'Peek Form')

plt.scatter(X[y_kmeans == 3,2], X[y_kmeans == 3,4], s = 100, c = 'red', label = 'Poor Form')

plt.scatter(kmeans.cluster_centers_[:, 2], kmeans.cluster_centers_[:, 4], s = 150, c = 'cyan', label = 'Centroids')

plt.title('Recent Form of Bowlers Based on their Stats')

plt.xlabel('Wickets')

plt.ylabel('Average')

plt.legend()

plt.show()

我的预期结果是在各自的集群中准确地可视化所有数据点。而它随机显示点。谁能帮我纠正这个错误？

【问题讨论】：

您可以尝试在绘图本身中使用 for 循环。此链接可能对您有用。 benalexkeen.com/k-means-clustering-in-python

【参考方案1】：

从外观上看，您正在根据 7 个维度/变量中的特征对数据集进行聚类。如果我们能够一次查看 7 个维度，您会发现这些点实际上确实正确地聚集在一起。

但不幸的是，我们不能。您正在查看的绘图仅包含其中两个维度，而其他维度（变量）中包含的信息会丢失。这种信息丢失使这些点看起来好像没有聚集在一起，但在它们原来的高维空间中它们确实聚集在一起，这是您的聚类算法发现的。

诸如主成分分析（也可在 sklearn 中使用）之类的降维技术可以更“有效地”将数据降低到二维，将数据投影到原始空间中包含最大方差的轴上。但即使在这里，您也可能看不到您想要的集群行为。如果是这种情况，您只需要相信您的聚类算法！