• https://github.com/Sean16SYSU/MachineLearningImplement

簡述

LVQ模型是聚類的經典模型，跟Kmeans有點像。但是作為一個聚類，這個模型是一個有監(jiān)督的模型。

算法流程

輸入的數(shù)據(jù)集X, y，還有學習率（在0,1之間）$\eta$

初始，選k個點，作為原型向量

然后開始循環(huán)

在樣本集中隨機選個點。

找到在原型向量中離它最近的點

然后來比較這兩個點之間的y是否一樣。一樣就正向更新節(jié)點，不一樣就反向更新節(jié)點

$p_i=p_i(+/?)\eta ?(x_j?p_i)$ 中間選是加或者減。

迭代一定的次數(shù)，或者變化足夠小之后，就退出迭代

實驗部分

• 導入數(shù)據(jù)

from sklearn import datasets iris = datasets.load_iris()

• 數(shù)據(jù)規(guī)模測試

iris.data.shape, iris.target.shape

((150, 4), (150,))

• 隨機挑選節(jié)點作為訓練集合

import numpy as npdef random_split(X, y, train_rate=0.3):y_ = np.array(list(zip(y, range(len(y)))))np.random.shuffle(y_)train_n = int(len(y) * train_rate)y_train = y_[:train_n]y_test = y_[train_n:]index_train = y_train[:, 1]index_test = y_test[:, 1]return X[index_train], y_train[:, 0], X[index_test], y_test[:, 0]

• LVQ函數(shù)和LVQ的聚類函數(shù)

def LVQ(X, y, k, MAX_TIME=100, ita=0.2):init_index = np.random.choice(len(y), k)px = X[init_index]py = y[init_index]for _ in range(MAX_TIME):j = np.random.choice(len(y), 1)xj, yj = X[j], y[j]i = np.argmin([np.linalg.norm(xj - pi) for pi in px])pyi = py[i]if pyi == yj:px[i] = px[i] + ita * (xj - px[i])else:px[i] = px[i] - ita * (xj - px[i])return pxdef PVQ_clustering(X, px):return np.array(list(map(lambda x: np.argmin([np.linalg.norm(x - pi) for pi in px]), X)))

• 拆分數(shù)據(jù)集并訓練

train_x, train_y, test_x, test_y = random_split(iris.data, iris.target) px = LVQ(train_x, train_y, 3) y = PVQ_clustering(test_x, px)

• 畫圖

import matplotlib.pyplot as plt from sklearn.decomposition import PCAX_reduced = PCA(n_components=2).fit_transform(test_x) plt.scatter(X_reduced[:, 0], X_reduced[:, 1], c=y, cmap=plt.cm.Set1)

• 實際值

• 算法估量：這里只考慮外部指標

def evaluate(y, t):a, b, c, d = [0 for i in range(4)]for i in range(len(y)):for j in range(i+1, len(y)):if y[i] == y[j] and y[j] == t[j]:a += 1elif y[i] == y[j] and y[j] != t[j]:b += 1elif y[i] != y[j] and y[j] == t[j]:c += 1elif y[i] != y[j] and y[j] != t[j]:d += 1return a, b, c, d a, b, c, d = evaluate(y, test_y) def external_index(a, b, c, d, m):JC = a / (a + b + c)FMI = np.sqrt(a**2 / ((a + b) * (a + c)))RI = 2 * ( a + d ) / ( m * (m + 1) )return JC, FMI, RI external_index(a, b, c, d, len(y))

• 將最后的結果展示下

External indexValue

JC	0.1485971596813301
FMI	0.26021571720401077
RI	0.5394429469901169

總結

以上是生活随笔為你收集整理的LVQ模型Python实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。