Python 我怎样才能找到什么数据是K形聚类？

我写代码

import numpy
import matplotlib.pyplot as plt

from tslearn.clustering import KShape
from tslearn.datasets import CachedDatasets
from tslearn.preprocessing import TimeSeriesScalerMeanVariance


ks = KShape(n_clusters=3, n_init=10, verbose=True, random_state=seed)
y_pred = ks.fit_predict(data)

plt.figure(figsize=(16,9))
for yi in range(3):
    plt.subplot(3, 1, 1 + yi)
    for xx in stack_data[y_pred == yi]:
        plt.plot(xx.ravel(), "k-", alpha=.2)
    plt.title("Cluster %d" % (yi + 1))

plt.tight_layout()
plt.show()

我想通过使用KShape的聚类来划分

数据

。现在显示了图，但我无法找到每3个聚类中的数据

数据是A、B、C、D的顺序。所以我想显示要绘图的标签或聚类结果。我搜索了KShape的文档（），但找不到实现我理想的信息。我应该如何做呢？

为什么没有完美的解决方案 K-Shape是随机工作的，如果不为每次迭代设置种子，您可能会得到不同的簇和质心。如果给定的类完全由给定的质心描述，则没有确定的方法可以先验地知道，但您可以通过检查给定类主要分类到哪个质心，以模糊的方式以脱机方式继续

另外，任何给定的类，

A

，例如，都可能包含作为您正在考虑的特征空间中两个簇的一部分的元素

假设您有3个类，但您的数据集最好由4个簇来描述（例如，通过最大平均密度）：您肯定至少有一个类的一些点位于第4个簇中

或者，假设您的类没有与您正在考虑的距离度量生成的质心重叠：考虑一个明显的例子：您有3个类，数字从0到100，从100到1000，从1000到1100，但是您的数据集包含从0到150以及从950到1100的数字：聚类算法将在两个聚类中找到其最佳值，并将a类的点放在两个聚类中的任意一个

例如，一旦您确定类

A

主要进入集群

1

，类

B

进入集群

2

等。。。您可以继续将该集群分配给给定的类

一种可能的模糊方法 我们将通过将最佳拟合类分配给包含其大部分点的簇来确定簇类：

简单示例：实际适合集群的类 在本例中，我们使用其中一个。此代码部分取自

我们设定种子，用于代码再现性：

seed = 0
np.random.seed(seed)

首先，我们准备数据集，选择第一个

类\u number=3

类：

classes_number = 3
X_train, y_train, X_test, y_test = CachedDatasets().load_dataset("Trace")
mask = y_train <= classes_number
X_train, y_train = X_train[mask], y_train[mask]  # Keep first 3 classes
X_train = TimeSeriesScalerMeanVariance().fit_transform(X_train)  # Keep only 50 time series
sz = X_train.shape[1]

现在，我们继续计算分配给每个集群的每个类的元素，并在没有将给定类的元素分配给给定集群的情况下添加0填充（当然会有一种更具python风格的方法，但我还没有找到）：

添加填充：

padded_data = np.array([[
    data[j][1][data[j][0] == i][0] if np.any(data[j][0] == i) else 0
    for i in range(clusters_number)
] for j in range(classes_number)])

>>> array([[ 0,  0, 26],
           [21,  0,  0],
           [ 0, 22,  0]])

将获得的矩阵归一化：

normalized_data = padded_data / np.sum(padded_data, axis=-1)[:, np.newaxis]

>>> array([[0., 0., 1.],
          [1., 0., 0.],
          [0., 1., 0.]])

我们可以使用以下方法可视化获得的矩阵：

获得：

在这种最佳情况下，每个集群仅包含一个类，因此我们以绝对精度获得：

classes_clusters = np.argmax(normalized_data, axis=1)

>>> array([2, 0, 1])

第二个示例：不与集群重叠的类 为了简单起见，为了模拟不与集群完全重叠的类，我将洗牌一部分标签，但有大量的例子：大多数集群问题最终都是与集群不完全重合的类

tmp = y_train[:20]
np.random.shuffle(tmp)
y_train[:20] = tmp

现在，当我们再次执行脚本时，会得到一个完全不同的矩阵：

但我们仍然能够确定类别群集：

classes_clusters = np.argmax(normalized_data, axis=1)

>>> array([2, 0, 1])

第三个示例：数据集中不存在的类 假设我们被引导相信数据集中存在4个类：在使用不同的

k

值运行后，我们会发现当前数据集中的最佳集群数量是

k=3

：我们将如何继续将类分配给集群？哪门课可以扔掉

我们通过任意为标签指定第四类来模拟这种情况：

y_train[:20] = 4

再次运行我们的脚本，我们将获得：

很明显，第四节课得走了。我们可以对均值-方差进行阈值化：

threshold = np.mean(np.var(normalized_data, axis=1))

result = np.argmax(normalized_data[np.var(normalized_data, axis=1)>threshold], axis=1)

我们再次获得：

array([2, 0, 1])

---

我希望这个解释消除了你的大部分疑虑

谢谢你的回答。我无法从“一个给定的类a也可以包含~~~”中理解你的句子的意思。你能给我看看示例代码吗？谢谢你的写作。读完你的文章后，我有点困惑。在显示了绘图之后，显示了一个时间序列的图形。图形的线条与a、B、C、D的类相连，不是吗？当然，但在给定的情况下，生成的类适合集群。只需将集群的数量（在给定的示例中，您知道）设置为另一个，我描述的现象就会很清楚。不管怎样，代码正在进行中。更新了答案！我能很好地理解它！！非常感谢你！！

classes_clusters = np.argmax(normalized_data, axis=1)

>>> array([2, 0, 1])

y_train[:20] = 4

threshold = np.mean(np.var(normalized_data, axis=1))

result = np.argmax(normalized_data[np.var(normalized_data, axis=1)>threshold], axis=1)

array([2, 0, 1])