Python 如何使用KMeans断言数据集有噪声？

我偶然发现了一篇旧论文的摘录，其中随意提到

如果需要，我们可以使用KMeans作为一种方法来断言 数据集是有噪声的，因此证明我们的分类器工作正常 可以合理预期

在网上搜寻解决方案后，我找不到这种方法。如何做到这一点？如何调整此通用

KMeans

代码以断言此数据集包含噪声

代码从

---

K-means聚类的本质是将一组多维向量划分为紧密分组的分区，然后用单个向量（又称质心）表示每个分区（又称聚类）。完成此操作后，您可以计算拟合优度，即获得的质心表示原始向量集的程度。拟合优度取决于选择的簇/质心数量、使用的训练算法（如LBG algo）、选择初始质心的方法、用于计算向量之间距离的度量。。。当然，还有数据的统计特性（多维向量）

执行聚类后，可以使用拟合优度（或量化失真）对数据进行一些判断。例如，如果有两个不同的数据集给出两个显著不同的拟合优度值（同时保持所有其他因素，特别是聚类数相同），则可以说拟合优度较差的数据集更“复杂”，可能更“嘈杂”。我之所以引用这些判断，是因为它们是主观的（例如，您如何定义噪音？），并且受到您的训练算法和其他因素等的强烈影响

另一个例子是使用“干净”的数据集训练集群模型。然后，使用相同的模型（即相同的质心）对新数据集进行聚类。根据新数据集的拟合优度与原始干净训练数据集的拟合优度的不同，您可以对新数据集中的“噪声”做出一些判断

print(__doc__)


# Code source: Gael Varoqueux
# Modified for Documentation merge by Jaques Grobler
# License: BSD 3 clause

import numpy as np
import pylab as pl
from mpl_toolkits.mplot3d import Axes3D


from sklearn.cluster import KMeans
from sklearn import datasets

np.random.seed(5)

centers = [[1, 1], [-1, -1], [1, -1]]
iris = datasets.load_iris()
X = iris.data
y = iris.target

estimators = {'k_means_iris_3': KMeans(n_clusters=3),
              'k_means_iris_8': KMeans(n_clusters=8),
              'k_means_iris_bad_init': KMeans(n_clusters=3, n_init=1,
                                              init='random')}


fignum = 1
for name, est in estimators.iteritems():
    fig = pl.figure(fignum, figsize=(4, 3))
    pl.clf()
    ax = Axes3D(fig, rect=[0, 0, .95, 1], elev=48, azim=134)

    pl.cla()
    est.fit(X)
    labels = est.labels_

    ax.scatter(X[:, 3], X[:, 0], X[:, 2], c=labels.astype(np.float))

    ax.w_xaxis.set_ticklabels([])
    ax.w_yaxis.set_ticklabels([])
    ax.w_zaxis.set_ticklabels([])
    ax.set_xlabel('Petal width')
    ax.set_ylabel('Sepal length')
    ax.set_zlabel('Petal length')
    fignum = fignum + 1

# Plot the ground truth
fig = pl.figure(fignum, figsize=(4, 3))
pl.clf()
ax = Axes3D(fig, rect=[0, 0, .95, 1], elev=48, azim=134)

pl.cla()

for name, label in [('Setosa', 0),
                    ('Versicolour', 1),
                    ('Virginica', 2)]:
    ax.text3D(X[y == label, 3].mean(),
              X[y == label, 0].mean() + 1.5,
              X[y == label, 2].mean(), name,
              horizontalalignment='center',
              bbox=dict(alpha=.5, edgecolor='w', facecolor='w'))
# Reorder the labels to have colors matching the cluster results
y = np.choose(y, [1, 2, 0]).astype(np.float)
ax.scatter(X[:, 3], X[:, 0], X[:, 2], c=y)

ax.w_xaxis.set_ticklabels([])
ax.w_yaxis.set_ticklabels([])
ax.w_zaxis.set_ticklabels([])
ax.set_xlabel('Petal width')
ax.set_ylabel('Sepal length')
ax.set_zlabel('Petal length')
pl.show()