AIS聚类算法实战：从原理到Python实现的全流程指南

1次阅读

共计 2324 个字符，预计需要花费 6 分钟才能阅读完成。

在数据分析中，我们经常遇到需要将相似对象归类的场景。比如电商平台希望根据用户的购买行为自动划分用户群体，或者网络安全系统需要从海量日志中识别异常访问模式。这就是聚类算法的用武之地——它能在没有预先标注的情况下，发现数据中隐藏的自然分组。

常用的 K -Means 算法需要预先指定聚类数量 K，而实际业务中这个数字往往难以确定。DBSCAN 虽然能自动发现类别数，但对密度变化敏感且难以处理高维数据。AIS（Artificial Immune System）聚类模仿生物免疫系统的学习机制，具有动态调整聚类数量、鲁棒处理噪声等独特优势。

抗原表示（Antigen Representation）
将每个数据点视为需要识别的 ” 抗原 ”。对于数值型特征，通常直接使用标准化后的特征向量：
```
from sklearn.preprocessing import StandardScaler
antigens = StandardScaler().fit_transform(raw_data)
```
抗体初始化（Antibody Initialization）
随机选择部分数据点作为初始 ” 抗体 ”（聚类中心），数量通常为预期最大类别数的 2 - 3 倍：
```
import numpy as np
n_antibodies = min(50, len(antigens)//3)
antibodies = antigens[np.random.choice(len(antigens), n_antibodies, replace=False)]
```
亲和力计算（Affinity Calculation）
使用余弦相似度或改进的距离度量（对高维数据更稳定）：
$$
affinity = 1 – \frac{X \cdot Y}{|X||Y|}
$$
克隆扩增（Clonal Expansion）
根据亲和力对优质抗体进行克隆变异，参数调节策略：
克隆系数 β 控制克隆数量
变异率 α 影响搜索范围

class AISClustering:
    def __init__(self, n_clones=10, mutation_rate=0.1):
        self.n_clones = n_clones  # 每个抗体的克隆数量
        self.alpha = mutation_rate  # 变异系数

    def fit(self, X, max_iters=100):
        # 初始化抗体池
        self.antibodies_ = X[np.random.choice(len(X), 100, replace=False)]

        for _ in range(max_iters):
            # 计算所有抗原 - 抗体亲和力
            distances = pairwise_distances(X, self.antibodies_, metric='cosine')

            # 选择 top 亲和力抗体进行克隆
            top_indices = np.argsort(distances.min(axis=1))[:self.n_clones]
            clones = np.concatenate([self.antibodies_[top_indices] + \
                self.alpha * np.random.randn(len(top_indices), X.shape[1])
            ])

            # 更新抗体池
            self.antibodies_ = np.vstack([self.antibodies_, clones])

        # 提取最终聚类中心
        _, self.labels_ = self._extract_clusters(X)
        return self

    def _extract_clusters(self, X):
        # 使用层次聚类合并相似抗体
        linkage = hierarchy.linkage(self.antibodies_, method='average')
        return hierarchy.fcluster(linkage, t=0.5), None

内存控制
当抗体池超过 10,000 时，改用稀疏矩阵存储距离：

from scipy.sparse import csr_matrix
distances = csr_matrix((n_antigens, n_antibodies))

并行计算
使用 joblib 并行计算亲和力矩阵：

from joblib import Parallel, delayed
def _chunk_affinity(X, Y):
    return pairwise_distances(X, Y, n_jobs=4)

高维距离陷阱
在维度 >50 时，欧式距离失去区分度，建议：
先进行 PCA 降维
改用马氏距离 (Mahalanobis)

克隆参数调优
通过网格搜索寻找最优参数组合：

from sklearn.model_selection import ParameterGrid
params = {'n_clones': [5,10,20], 'mutation_rate': [0.05, 0.1, 0.2]}
best_score = -np.inf
for g in ParameterGrid(params):
    model = AISClustering(**g).fit(X)
    score = silhouette_score(X, model.labels_)
    if score > best_score:
        best_params = g