Bootstrap聚类结果图实战指南：从数据预处理到可视化优化

1次阅读

没有评论

共计 2136 个字符，预计需要花费 6 分钟才能阅读完成。

聚类分析是数据科学中常用的无监督学习方法，而 Bootstrap 聚类通过多次重采样可以提高结果的稳定性。但对于初学者来说，生成清晰的聚类结果图常常会遇到以下几个问题：

维度灾难 ：高维数据难以直观展示，直接绘制会导致信息混杂
标签重叠 ：样本点密集时，类别标签和数值标记会相互遮盖
稳定性判断 ：Bootstrap 多次采样的结果如何有效呈现
参数敏感 ：聚类数量和降维参数的选择缺乏直观依据

可视化高维聚类结果，通常需要先进行降维。以下是两种主流方法的对比：

PCA(主成分分析)
优点：计算效率高，线性变换可解释性强
缺点：对非线性结构的数据效果较差
适用场景：特征间线性相关性强，追求可视化速度时
t-SNE(分布式随机邻域嵌入)
优点：能保留局部邻域关系，适合复杂流形结构
缺点：计算成本高，超参数敏感
适用场景：数据具有明显簇结构，且维度 <50 时

建议：初次尝试可先用 PCA 快速验证，精细调整时再用 t -SNE

from sklearn.utils import resample
from sklearn.preprocessing import StandardScaler

# 假设 X 是原始数据
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# Bootstrap 采样
n_iterations = 100  # 重采样次数
bootstrap_samples = [resample(X_scaled) for _ in range(n_iterations)]

from sklearn.cluster import KMeans

# 定义聚类函数
def run_clustering(data, n_clusters=3):
    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
    clusters = kmeans.fit_predict(data)
    return clusters

# 对所有采样数据运行聚类
all_clusters = [run_clustering(sample) for sample in bootstrap_samples]

import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

# 降维可视化
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)

plt.figure(figsize=(10, 6))
for i in range(n_iterations):
    # 绘制半透明点以显示密度
    plt.scatter(X_pca[:, 0], X_pca[:, 1], c=all_clusters[i], 
                alpha=0.05, cmap='viridis')

# 绘制最终聚类中心
final_clusters = run_clustering(X_scaled)
centers = pca.transform(KMeans(n_clusters=3).fit(X_scaled).cluster_centers_)
plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.8, marker='X')

plt.title('Bootstrap Clustering Results')
plt.colorbar(label='Cluster ID')
plt.show()