この記事では、Pythonと機械学習ライブラリ「scikit-learn」を用いて、K-means法によるクラスタ分析でクラスタ毎のサンプル数を表示する方法について解説します。
クラスタ分析とは
クラスタ分析 (clustering)とは、データを分類する手法です。
与えられたデータを外的基準なし(教師データなし)で自動的に分類します。
今回は、scikit-learnのk-means法でクラスタ分析し、各クラスタの平均値(基準値)を表示してきます。
sklearn.cluster.KMeans クラス
scikit-learnでは、sklearn.cluster.KMeansクラスを使うことでk-means方を実装できます。
その使い方は下記の通りです。
書式
sklearn.cluster.KMeans(n_clusters=8, init='k-means++', n_init=10, max_iter=300, tol=0.0001,precompute_distances='auto', verbose=0, random_state=None, copy_x=True, n_jobs=1)
※各パラメータに設定されてる値(=の後)はデフォルト値
パラメータ | 内容 |
---|---|
n_clusters | クラスタの個数(分類する種類の数) |
max_iter | 繰り返し回数の最大値 |
n_init | 初期値選択時に、異なる乱数のシードで初期の重心を選ぶ処理の実行回数 |
init | 初期化の方法(’k-means++”, ‘random’ ndarray で指定) |
tol | 収束判定の許容可能誤差 |
precompute_distances | 距離 (データのばらつき具合) を事前に計算するか否か( ‘auto’, True, False で指定) |
verbose | 1 なら分析結果を詳細表示 |
random_state | 乱数のシードを固定する場合に指定(数値か「integer or numpy.RandomState」で指定) |
copy_x | メモリ内でデータを複製してから、距離を事前に計算するか否か |
n_jobs | 並列処理で初期化する際の多重度(-1 で全てのCPU を使用) |
メソッド | 内容 |
---|---|
fit(X[, y]) | クラスタリングの計算をする |
fit_predict(X[, y]) | 各サンプルのクラスタ番号を算出 |
fit_transform(X[, y]) | クラスタリングの計算をして、Xを分析に用いた距離空間に変換して返す |
get_params([deep]) | 計算に用いたパラメータを返す |
predict(X) | Xのサンプルが属しているクラスタ番号を返す |
set_params(**params) | パラメータを設定 |
transform(X[, y]) | Xを分析に用いた距離空間に変換して返す |
【参考文献】 http://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html
ソースコード
サンプルプログラムのソースコードです。
# -*- coding: utf-8 -*-
import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
def main():
# CSVファイルを取得
data = pd.read_csv("data.csv")
# Pandasデータフレームをnumpy配列に変換
data2 = np.array([data['x1'].tolist(), data['x2'].tolist(), data['x3'].tolist()], np.int32)
# numpy配列を転置
data2 = data2.T
# k-means法でクラスタ分析(クラスタ数は3)
result = KMeans(n_clusters=3).fit_predict(data)
# クラスタ番号0の各要素の平均値
data['cluster_id'] = result
print(data[data['cluster_id']==0].mean())
if __name__ == "__main__":
main()
【data.csv】
x1,x2,x3
45,17.5,30
38,17.0,25
41,18.5,20
34,18.5,30
59,16.0,45
47,19.0,35
35,19.5,25
43,16.0,35
54,18.0,35
52,19.0,40
実行結果
サンプルプログラムの実行結果は下記の通りです。
x1 45.000000
x2 17.500000
x3 33.333333
cluster_id 0.000000
dtype: float64
今回はdata.csvのx1, x2, x3の3つのデータをもつ10組をk-means法で3つのクラスタ(0~2番)に分類しています。
そして、クラスタ番号0の各要素(x1~x3)の平均値(分類に使用した基準値)を表示しています。
【おすすめ関連記事】
Scikit-learn入門・使い方
Scikit-learnをインストールする方法
Python入門 基本文法
コメント