1.作者介绍

冯达，男，西安工程大学电子信息学院，2021级研究生
研究方向：控制科学与工程
电子邮件：845907526@qq.com

刘帅波，男，西安工程大学电子信息学院，2021级研究生，张宏伟人工智能课题组
研究方向：机器视觉与人工智能
电子邮件：1461004501@qq.com

2.BIRCH聚类算法介绍

2.1 BIRCH聚类算法介绍

BIRCH的全称是利用层次方法的平衡迭代规约和聚类（Balanced Iterative Reducing and Clustering Using Hierarchies），它是用层次方法来聚类和规约数据。
BIRCH算法利用了一个树结构来帮助我们快速的聚类，这个树结构称之为聚类特征树(Clustering Feature Tree，简称CF Tree)。这颗树的每一个节点是由若干个聚类特征(Clustering Feature，简称CF)组成。从右图中我们可以看看聚类特征树的样子：每个节点包括叶子节点都有若干个CF，而内部节点的CF有指向孩子节点的指针，所有的叶子节点用一个双向链表链接起来。
将所有的训练集样本建立了CF Tree，一个基本的BIRCH算法就完成了，对应的输出就是若干个CF节点，每个节点里的样本点就是一个聚类的簇。也就是说BIRCH算法的主要过程，就是建立CF Tree的过程。

2.2 聚类特征CF与聚类特征树CF Tree

聚类特征CF：
在聚类特征树中，一个聚类特征CF是这样定义的：每一个CF是一个三元组，可以用（N，LS，SS）表示。
N代表了这个CF中拥有的样本点的数量
LS代表了这个CF中拥有的样本点各特征维度的和向量；
SS代表了这个CF中拥有的样本点各特征维度的平方和；
CF有一个很好的性质，就是满足线性关系，也就是：

把这个性质放在CF Tree上，那么对于每个父节点中的CF节点，它的（N，LS，SS）三元组的值等于这个CF节点所指向的所有子节点的三元组之和。
聚类特征树CF Tree：
对于CF Tree，我们一般有几个重要参数，第一个参数是每个内部节点的最大CF数B，第二个参数是每个叶子节点的最大CF数L，第三个参数是针对叶子节点中某个CF中的样本点来说的，它是叶节点每个CF的最大样本半径阈值T，也就是说，在这个CF中的所有样本点一定要在半径小于T的一个超球体内。

2.3 Birch聚类算法优缺点

优点：
(1）节约内存，所有的样本都在磁盘上，CF Tree仅仅存了CF节点和对应的指针。
(2）聚类速度快，只需要一遍扫描训练集就可以建立CF Tree，CF Tree的增删改都很快。
(3）可以识别噪音点，还可以对数据集进行初步分类的预处理。
缺点：
(1）由于CF Tree对每个节点的CF个数有限制，导致聚类的结果可能和真实的类别分布不同。
(2）对高维特征的数据聚类效果不好。此时可以选择Mini Batch K-Means。
(3）如果数据集的分布簇不是类似于超球体，或者说不是凸的，则聚类效果不好。

3.scikit-learn学习Birch聚类

3.1 Brich类参数

在scikit-learn中，BIRCH类实现了基于特征树CF Tree的聚类，其中重要参数主要有以下几个：
threshold：即叶节点每个CF的最大样本半径阈值T，它决定了每个CF里所有样本形成的超球体的半径阈值。一般来说threshold越小，则CF Tree的建立阶段的规模会越大，即BIRCH算法第一阶段所花的时间和内存会越多。但是选择多大以达到聚类效果则需要通过调参决定。默认值是0.5.如果样本的方差较大，则一般需要增大这个默认值。
branching_factor:即CF Tree内部节点的最大CF数B，以及叶子节点的最大CF数L。这里scikit-learn对这两个参数进行了统一取值。也就是说，branching_factor决定了CF Tree里所有节点的最大CF数。默认是50。如果样本量非常大，比如大于10万，则一般需要增大这个默认值。选择多大的branching_factor以达到聚类效果则需要通过和threshold一起调参决定。
n_clusters：即类别数K，在BIRCH算法是可选的，如果类别数非常多，我们也没有先验知识，则一般输入None，此时BIRCH算法第4阶段不会运行。但是如果我们有类别的先验知识，则推荐输入这个可选的类别值。默认是3，即最终聚为3类。
compute_labels：布尔值，表示是否标示类别输出，默认是True。一般使用默认值挺好，这样可以看到聚类效果。
在评估各个参数组合的聚类效果时，如果不知道真实的标签,Calinski-Harabasz指数——方差比准则,可以用来评估模型，更高的Calinski-Harabasz得分表示该聚类的模型越好。

4.实验代码与结果展示

4.1 完整代码

import matplotlib.pyplot as plt#导入matplotlib库
from sklearn.datasets import make_blobs #导入数据集
from sklearn.cluster import Birch#导入Birch类
from sklearn import metrics#调用评价指标# X为样本特征，Y为样本簇类别， 共1000个样本，每个样本2个特征，共4个簇，簇中心在[-1,-1], [0,0],[1,1], [2,2]
# 每个类别的方差分别为0.4, 0.3, 0.4, 0.3
X, y = make_blobs(n_samples=1000, n_features=2,centers=[[-1, -1], [0, 0], [1, 1], [2, 2]],cluster_std=[0.4, 0.3, 0.4, 0.3], random_state=9)# 设置参数：尝试多个threshold取值，和多个branching_factor取值
param_grid = {'threshold': [0.1, 0.3, 0.5],'branching_factor': [10, 20, 50]}CH_all = []
X_all = []
y_all = []
paras_all = []# 开始聚类
for threshold in param_grid['threshold']:for branching_factor in param_grid['branching_factor']:##设置birch函数birch = Birch(n_clusters=4, threshold = threshold, branching_factor = branching_factor)#实现拟合birch.fit(X)X_all.append(X)#实现预测y_pred = birch.predict(X)y_all.append(y_pred)#生成评价指标CH = metrics.calinski_harabasz_score(X, y_pred)CH_all.append(CH)paras_all.append([threshold, branching_factor])print("Threshold:", threshold, "\t","Branching factor:", branching_factor, "\t","Calinski-Harabasz Score:", '%.4f' %CH)# 挑选并存储最优的解
CH_max = max(CH_all)
idx = CH_all.index(CH_max)
X_max = X_all[idx]
y_max = y_all[idx]# 绘制数据分布图
plt.figure() # 创建图像
plt.subplot(1, 2, 1)    # subplot创建单个子图，单个字图中包含2个区域，相应区域在左侧
plt.scatter(X[:, 0], X[:, 1], marker='.', c = y) # 画散点图
plt.title('Original Cluster Plot')  # 将图命名
plt.xlabel('(1)')   #设置X轴的标签为（1）plt.subplot(1, 2, 2) # subplot创建单个子图，单个字图中包含2个区域，相应区域在右侧
plt.scatter(X_max[:, 0], X_max[:, 1], marker='.', c=y_max)  # 画散点图
plt.title('Result (Threshold = ' + str(paras_all[idx][0])+ ', BF = ' + str(paras_all[idx][1]) + ')')   # 将图命名
plt.xlabel('(2)')   #设置X轴的标签为（1）plt.show()

4.2 实现过程

（1）导入实验环境所需要的包

import matplotlib.pyplot as plt#导入matplotlib库
from sklearn.datasets import make_blobs #导入数据集
from sklearn.cluster import Birch#导入Birch类
from sklearn import metrics#调用评价指标

（2）导入实验所需要的随机数据

# X为样本特征，Y为样本簇类别， 共1000个样本，每个样本2个特征，共4个簇，簇中心在[-1,-1], [0,0],[1,1], [2,2]
# 每个类别的方差分别为0.4, 0.3, 0.4, 0.3
X, y = make_blobs(n_samples=1000, n_features=2,centers=[[-1, -1], [0, 0], [1, 1], [2, 2]],cluster_std=[0.4, 0.3, 0.4, 0.3], random_state=9)

（3）设置多个threshold和branching_factor

# 设置参数：尝试多个threshold取值，和多个branching_factor取值
param_grid = {'threshold': [0.1, 0.3, 0.5],'branching_factor': [10, 20, 50]}

（4）开始Birch聚类

# 开始聚类
for threshold in param_grid['threshold']:for branching_factor in param_grid['branching_factor']:##设置birch函数birch = Birch(n_clusters=4, threshold = threshold, branching_factor = branching_factor)#实现拟合birch.fit(X)X_all.append(X)#实现预测y_pred = birch.predict(X)y_all.append(y_pred)#生成评价指标CH = metrics.calinski_harabasz_score(X, y_pred)CH_all.append(CH)paras_all.append([threshold, branching_factor])print("Threshold:", threshold, "\t","Branching factor:", branching_factor, "\t","Calinski-Harabasz Score:", '%.4f' %CH)

（5）绘制数据分布图

# 绘制数据分布图
plt.figure() # 创建图像
plt.subplot(1, 2, 1)    # subplot创建单个子图，单个字图中包含2个区域，相应区域在左侧
plt.scatter(X[:, 0], X[:, 1], marker='.', c = y) # 画散点图
plt.title('Original Cluster Plot')  # 将图命名
plt.xlabel('(1)')   #设置X轴的标签为（1）plt.subplot(1, 2, 2) # subplot创建单个子图，单个字图中包含2个区域，相应区域在右侧
plt.scatter(X_max[:, 0], X_max[:, 1], marker='.', c=y_max)  # 画散点图
plt.title('Result (Threshold = ' + str(paras_all[idx][0])+ ', BF = ' + str(paras_all[idx][1]) + ')')   # 将图命名
plt.xlabel('(2)')   #设置X轴的标签为（1）plt.show()

4.3 实验结果

Birch聚类算法的实现相关推荐

模糊C均值聚类算法的实现
模糊C均值聚类算法的实现研究背景聚类分析是多元统计分析的一种,也是无监督模式识别的一个重要分支,在模式分类图像处理和模糊规则处理等众多领域中获得最广泛的应用.它把一个没有类别标记的样本按照 ...
K-Means聚类算法的实现（C语言）
最近做了聚类实验,就写了下K-Means算法,C语言实现. 实验给出的数据集比较小,总共有11个:(2, 10), (2, 5), (8, 4), (5, 8), (7, 5), (6, 4), (1 ...
(python代码+讲解)重叠社区发现EAGLE层次算法的实现
EAGLE是一种基于最大团聚类的层次聚类算法,用来揭示网络的层次化和层次化社区结构.该算法采用一种聚类框架,来处理最大派系. 1.算法的实现: 首先用Bron-Kerbosch算法找到网络中的最大 ...
BIRCH聚类算法详解
欢迎关注"生信修炼手册"! BIRCH算法全称如下 Balanced Iterative Reducing and Clustering Using Hierarchies 属于树 ...
数据挖掘Java——DBSCAN算法的实现
一.DBSCAN算法的前置知识 DBSCAN算法:如果一个点q的区域内包含多于MinPts个对象,则创建一个q作为核心对象的簇.然后,反复地寻找从这些核心对象直接密度可达的对象,把一些密度可达簇进行合 ...
计算机图形学区域填充,计算机图形学区域填充算法的实现
. '. 实验四区域填充算法的实现班级 08信计学号 58 姓名陈瑞雪分数一.实验目的和要求: 1.掌握区域填充算法基本知识 2.理解区域的表示和类型,能正确区分四连通和八连通的区域 3.了解区域填 ...
OpenCV中图像旋转(warpAffine)算法的实现过程
在OpenCV中,目前并没有现成的函数直接用来实现图像旋转,它是用仿射变换函数cv::warpAffine来实现的,此函数目前支持4种插值算法,最近邻.双线性.双三次.兰索斯插值,如果传进去的参数为基 ...
JAVA实现中点画线_实验1-中点画线和Bresenham画线算法的实现
<实验1-中点画线和Bresenham画线算法的实现>由会员分享,可在线阅读,更多相关<实验1-中点画线和Bresenham画线算法的实现(9页珍藏版)>请在人人文库网上搜索. ...
python边缘检测代码_python Canny边缘检测算法的实现
图像边缘信息主要集中在高频段,通常说图像锐化或检测边缘,实质就是高频滤波.我们知道微分运算是求信号的变化率,具有加强高频分量的作用.在空域运算中来说,对图像的锐化就是计算微分.对于数字图像的离散信号, ...

Birch聚类算法的实现

目录