初心者のKmeans

10083 ワード
Python クラスタリング kmeans scikit-learn 機械学習 Python テキストリンク

今更ながら，Kmeansを簡単に試してみます．

ライブラリ

importしたのはこれ

from random import randint

from sklearn.cluster import KMeans
from sklearn.decomposition import PCA
import numpy as np

import matplotlib.pyplot as plt

データセットの生成に乱数が欲しかったので，randint
データをプロットするのに，3次元特徴を2次元にしたかったのでPCAを使ってます．

データの用意

今回はデータセットとして，RGB値を乱数で生成するようにした．

def create_data(num):
    data = np.empty((0,3), int)
    for i in range(num):
        red = randint(0,256)
        blue = randint(0,256)
        green = randint(0,256)

        data = np.append(data, np.array([[red,blue,green]]), axis=0)

    return data

data = create_data(100)

create_data(<生成するデータ数>)で任意のサイズのデータセットを作成する関数を用いている．このコードではデータセットとして3次元の特徴が100個できる．

クラスタリング

生成したデータをKmeansモデルで分類する．

# kmeans clustering
CLUSTERS = 3
N_JOBS = 2

model = KMeans(n_clusters=CLUSTERS, n_jobs=N_JOBS).fit(data)

print(model.labels_)

今回は，クラスタ数3でクラスタリングする．N_JOBSは用いるCPUのコア数を示している．model.labels_で各データのクラスタ番号をリストにしている．

結果出力

今回2次元画像として出力したいので，主成分分析によって3次元特徴を2次元に削減する
ことができる．

次元削減

# ３次元特徴を2次元にする
pca = PCA(n_components=2)
pca.fit(data)
pca_data = pca.fit_transform(data)

n_componentsで何次元に削減するかを指定することができる．削減後のデータはpca_dataに格納されている．

実際にプロット

color = ["red", "blue", "green"]

# クラスタリング結果のプロット
plt.figure()
for i in range(pca_data.shape[0]):
    plt.scatter(pca_data[i,0], pca_data[i,1], c=color[int(model.labels_[i])])

# 生データのプロット
plt.figure()
for j in range(pca_data.shape[0]):
    color = tuple((round(data[j][0]/256, 3), round(data[j][1]/256, 3), round(data[j][2]/256, 3)))

    plt.scatter(pca_data[j,0], pca_data[j,1], c=color)

plt.show()

最初にクラスタリング結果をプロットしている．次元削減後のデータの1次元目をxに2次元目のデータをyにして，model.label_には0~2のクラスになっているのでリストcolorがクラス番号に対応している．
2個目のplt.figure()では，生データをそのままの色でプロットしている．ただ問題は，pltのプロットでは，RGB値が0~1である必要があるため，元のRGB値を256で割っている．後は，小数第3位で丸め込んでいる．

実際にプロットした結果が
生データ

クラスタリング結果

今回は，比較的綺麗にクラスタリングすることができた．

まとめ

今回は，分かりやすいように色を用いてKmeansを試してみた．
単純なデータだったので，綺麗にクラスタリングできた．

Source Code