Résumé

Il existe un algorithme de réduction de dimension pour la visualisation des données appelé t-SNE.
Puisque t-SNE est un algorithme conscient de la structure locale des données, il est compatible avec DBSCAN, qui est aussi une méthode de clustering consciente de la structure locale.
Si les résultats DBSCAN sont en outre classés par un arbre de décision, les caractéristiques des clusters apparaissant dans les données visualisées par t-SNE peuvent-elles être expliquées automatiquement?

Je l'ai essayé avec l'idée. En fait, je n'ai pas compris comment cela peut être appliqué.

Essayez-le avec load_boston de sklearn

Importez d'abord ce dont vous avez besoin

import numpy as np
from sklearn import datasets
from sklearn.manifold import TSNE
from matplotlib import pyplot as plt

Chargez boston et essayez de le visualiser avec TSNE Voir visuellement certains clusters apparaître

boston = datasets.load_boston()
model = TSNE(n_components=2)
tsne_result = model.fit_transform(boston.data) 
plt.plot(tsne_result[:,0], tsne_result[:,1], ".")

Essayez de regrouper avec kmeans une fois pour comparaison

from sklearn.cluster import MiniBatchKMeans
#Nombre de clusters`n_clusters`Regardé le graphique TSNE et décidé en sentant
kmeans = MiniBatchKMeans(n_clusters=10, max_iter=300)
kmeans_tsne = kmeans.fit_predict(tsne_result)

#Colorez-le bien
color=cm.brg(np.linspace(0,1,np.max(kmeans_tsne) - np.min(kmeans_tsne)+1))
for i in range(np.min(kmeans_tsne), np.max(kmeans_tsne)+1):
    plt.plot(tsne_result[kmeans_tsne == i][:,0],
             tsne_result[kmeans_tsne == i][:,1],
             ".",
             color=color[i]
             )
    plt.text(tsne_result[kmeans_tsne == i][:,0][0],
             tsne_result[kmeans_tsne == i][:,1][0],
             str(i), color="black", size=16
             )

Les clusters (1,5), (2,8) et (4,7,9) sont séparés, mais structurellement connectés, ce qui n'est pas très souhaitable (pour moi).

Essayez le clustering avec DBSCAN

from sklearn.cluster import DBSCAN
# `eps`Est le résultat d'essais et d'erreurs
dbscan = DBSCAN(eps=3)
dbscan_tsne = dbscan.fit_predict(tsne_result)

#Colorez-le bien
color=cm.brg(np.linspace(0,1,np.max(dbscan_tsne) - np.min(dbscan_tsne)+1))
for i in range(np.min(dbscan_tsne), np.max(dbscan_tsne)+1):
    plt.plot(tsne_result[dbscan_tsne == i][:,0],
             tsne_result[dbscan_tsne == i][:,1],
             ".",
             color=color[i+1]
             )
    plt.text(tsne_result[dbscan_tsne == i][:,0][0],
             tsne_result[dbscan_tsne == i][:,1][0],
             str(i), color="black", size=16
             )

Dans DBSCAN, c'est souhaitable car les îlots connectés sont dans le même cluster. (-1 est un cluster qui contient des éléments dans le désordre)

De plus, générez un arbre de décision et essayez de bien expliquer chaque cluster.

from sklearn import tree
clf = tree.DecisionTreeClassifier()
#dbscan-Le libellé est dû au fait qu'un cluster est généré-À partir de 1
clf.classes_ = np.max(dbscan_tsne) - np.min(dbscan_tsne) + 1
clf.fit(boston.data, dbscan_tsne)

#Générer un fichier de points pour graphviz
with open("boston_tsne_dt.dot", 'w') as f:
    tree.export_graphviz(
        clf,
        out_file=f,
        feature_names=boston.feature_names,
        filled=True,
        rounded=True,  
        special_characters=True,
        impurity=False,
        proportion=False,
        class_names=map(str, range(-1, np.max(dbscan_tsne) - np.min(dbscan_tsne)+1))
    )

dot -T png boston_tsne_dt.dot > boston_tsne_dt.png

Le résultat est illustré dans la figure ci-dessous.

Pour référence, dessinez l'objectif (prix du logement) de chaque grappe.

plt.boxplot([boston.target[dbscan_tsne == i]
             for i in range(np.min(dbscan_tsne), 
                            np.max(dbscan_tsne)+1)],
            labels=range(np.min(dbscan_tsne), 
                         np.max(dbscan_tsne)+1)
            )

Considération

Pour résumer ce qui m'intéressait,

Les clusters avec des taux d'imposition (TAX) élevés (6,7) ne signifient pas des prix plus élevés
En d'autres termes, le prix n'est-il pas élevé parce que c'est une zone urbaine?
Les grappes à prix élevés (0,1,2) sont situées dans des endroits à faible taux d'imposition et sont subtilement séparées par le rapport entre le terrain résidentiel (ZN) et le groupe d'âge (AGE).
Cependant, la large gamme de prix rend le cluster et le prix moins pertinents.
La répartition des prix des grappes (2,5) est proche, mais elles sont divisées par le taux d'imposition.
Peut-être que le taux d'imposition a d'autres caractéristiques qui lui sont liées, alors les résultats de TSNE ont-ils clairement fait la distinction entre les deux?
Parmi les clusters à faible taux d'imposition, 3 est un cluster spécial

Cependant, quand il s'agit de fournir des informations avec cela, je me sens assez méfiant. Au fait, même si vous mélangez boston.target avec les données d'origine, le résultat sera assez proche.

[PYTHON] Effectuer (Visualisation> Clustering> Description des fonctionnalités) avec (t-SNE, DBSCAN, Arbre de décision)

Résumé

Essayez-le avec load_boston de sklearn

Considération