python - sklearn k 表示集群标签与地面实况标签

Question

我正在尝试学习sklearn。正如我从以下示例的第 5 步中了解到的那样，预测的集群可能会被错误标记，我需要正确地重新标记它们。这也在sci-kit 的示例中完成。必须重新分配标签，以便聚类的结果和地面实况按颜色匹配。

我如何知道预测集群的标签是否与初始数据标签匹配，以及如何重新调整标签的索引以正确匹配两组？

标签： pythonscikit-learn

Answer 1

使用聚类，聚类之间没有有意义的顺序或比较，我们只是在寻找具有共同点的观察组。没有理由将一个集群称为“蓝色集群”与“红色集群”（除非您对该领域有一些额外的了解）。因此，sklearn 会为每个集群任意分配编号。

print(clustering.labels_)
[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 2 2 2 0 2 2 2 2 2 2 2 2 0 2 2 2 2 0 2 2 2
 2 0 0 0 2 2 2 2 2 2 2 0 0 2 2 2 2 2 2 2 2 2 2 2 2 2 0 2 0 0 0 0 2 0 0 0 0
 0 0 2 2 0 0 0 0 2 0 2 0 2 0 0 2 0 0 0 0 0 0 2 2 0 0 0 2 0 0 0 2 0 0 0 2 0
 0 2]

标签可以很容易地用 0 替换所有 1，用 1 替换 0，它仍然是同一组集群。

在这种情况下，编号与地面实况中使用的编号不匹配，因此当我们查看生成的集群与地面实况时，颜色不匹配，因此我们使用np.choose如在例子：

relabel = np.choose(clustering.labels_,[2,0,1]).astype(np.int64)

这采用当前标签，并将 0 更改为 2（因为索引 0 为 2）、1 更改为 0 和 2 更改为 1。这是同一组集群，但我们更改了（任意）标签以匹配。

要回答您关于如何知道它们何时匹配或不匹配的问题：聚类是一种无监督学习的形式，这意味着您通常根本没有基本事实，并且您无需担心匹配。在这个例子中，我们知道基本事实，我们可以看到集群没有并排匹配，所以我们可以根据需要选择使颜色匹配。我们也可以选择不这样做，因为无论如何它们都是相同的集群，但您可能会发现这种方式更容易可视化。