CC聚类算法实战：从原理到Python实现的新手指南

1次阅读

共计 1988 个字符，预计需要花费 5 分钟才能阅读完成。

CC 聚类（Common Clustering）是一种改进的层次聚类算法，与传统 K -means 相比，最大的区别在于它不依赖于数据点必须呈现球形分布。K-means 假设簇是凸形的，并且大小相似，这在现实数据中往往不成立。CC 聚类通过构建相似度矩阵和层次合并的策略，能够识别任意形状的簇，尤其适合处理非球形分布的数据。

核心区别 1 ：K-means 需要预先指定簇的数量 K，而 CC 聚类通过相似度阈值自动确定簇的数量。
核心区别 2 ：CC 聚类对噪声点更加鲁棒，能够有效过滤掉离群点。

CC 聚类的核心思想是基于相似度矩阵逐步合并最相似的簇。以下是关键步骤的简化说明：

相似度计算：通常使用欧氏距离或其他距离度量计算点与点之间的相似度。公式为：

distance(x, y) = sqrt(sum((x_i - y_i)^2))

簇合并：从最相似的点对开始，逐步合并满足相似度阈值的簇，直到没有可合并的簇为止。合并条件可以表示为：

if distance(C1, C2) < cutoff_distance:
    merge(C1, C2)

以下是一个基于 scikit-learn 的 CC 聚类实现示例，包含数据预处理、模型训练和可视化。

# 导入必要的库
import numpy as np
from sklearn.datasets import make_moons
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt

# 生成模拟数据
X, _ = make_moons(n_samples=300, noise=0.05, random_state=42)
X = StandardScaler().fit_transform(X)

# 可视化原始数据
plt.scatter(X[:, 0], X[:, 1], s=10)
plt.title("Original Data")
plt.show()

# 自定义 CC 聚类函数
def cc_clustering(X, cutoff_distance=0.5, min_samples=5):
    from scipy.spatial.distance import pdist, squareform
    from scipy.cluster.hierarchy import linkage, fcluster

    # 计算距离矩阵
    dist_matrix = squareform(pdist(X))

    # 层次聚类
    Z = linkage(dist_matrix, method='single')
    labels = fcluster(Z, t=cutoff_distance, criterion='distance')

    # 过滤小簇
    unique_labels, counts = np.unique(labels, return_counts=True)
    for label, count in zip(unique_labels, counts):
        if count < min_samples:
            labels[labels == label] = -1  # 标记为噪声

    return labels

# 训练模型
labels = cc_clustering(X, cutoff_distance=0.3, min_samples=5)

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=labels, s=10, cmap='viridis')
plt.title("CC Clustering Result")
plt.show()

CC 聚类的性能高度依赖于参数的选择，以下是两个关键参数的说明：