基于鸢尾花数据集实施自组织神经网络聚类分析
1. 自组织神经网络的基础知识
自组织神经网络也称自组织映射（SOM）或自组织特征映射（SOFM），是一种使用非监督式学习来产生训练样本的输入空间的一个低维（通常是二维）离散化的表示的人工神经网络（ANN）。自组织映射与其他人工神经网络的不同之处在于它使用一个邻近函数来保持输入空间的拓扑性质。
2. 鸢尾花数据集的自组织分类
# 导入必要的库 import numpy as np from minisom import MiniSom import matplotlib.pyplot as plt from sklearn import datasets # 载入鸢尾花数据集 iris = datasets.load_iris() data = iris.data labels = iris.target # 数据归一化 data = (data - np.min(data, axis=0)) / (np.max(data, axis=0) - np.min(data, axis=0)) # 定义 SOM 网络的参数 som_shape = (10, 10) # SOM 网格的形状 som = MiniSom(som_shape[0], som_shape[1], data.shape[1], sigma=1.0, learning_rate=0.5) # 初始化权重并开始训练 som.random_weights_init(data) som.train_random(data, 100) # 100 次迭代 # 创建 U-matrix umatrix = som.distance_map() print(umatrix) # 绘制 U-matrix plt.figure(figsize=(4,4)) plt.pcolor(umatrix.T, cmap='bone_r', alpha=0.8) plt.colorbar() # 绘制聚类中心 for i, target in enumerate(labels): x, y = som.winner(data[i]) plt.text(x + 0.5, y + 0.5, str(target), color=plt.cm.rainbow(target / 2.0), fontdict={'weight': 'bold', 'size': 11}) plt.xticks(np.arange(som_shape[0] + 1)) plt.yticks(np.arange(som_shape[1] + 1)) plt.grid() plt.show()
1234567891011121314151617181920212223242526272829303132333435363738聚类结果
新聚类
import math import numpy as np from minisom import MiniSom from sklearn import datasets from numpy import sum as npsum from sklearn.metrics import classification_report from sklearn.model_selection import train_test_split import matplotlib.pyplot as plt from matplotlib.patches import Patch from matplotlib.gridspec import GridSpec # 分类函数 def classify(som,data,winmap): default_class = npsum(list(winmap.values())).most_common()[0][0] result = [] for d in data: win_position = som.winner(d) if win_position in winmap: result.append(winmap[win_position].most_common()[0][0]) else: result.append(default_class) return result # 可视化 def show(som): """ 在输出层画标签图案 """ plt.figure(figsize=(5, 5)) # 定义不同标签的图案标记 markers = ['o', 's', 'D'] colors = ['C0', 'C1', 'C2'] category_color = {'setosa': 'C0', 'versicolor': 'C1', 'virginica': 'C2'} # 背景上画U-Matrix heatmap = som.distance_map() # 画背景图 plt.pcolor(heatmap, cmap='bone_r') for cnt, xx in enumerate(X_train): w = som.winner(xx) # 在样本Heat的地方画上标记 plt.plot(w[0] + .5, w[1] + .5, markers[Y_train[cnt]], markerfacecolor='None', markeredgecolor=colors[Y_train[cnt]], markersize=12, markeredgewidth=2) plt.axis([0, size, 0, size]) ax = plt.gca() # 颠倒y轴方向 ax.invert_yaxis() legend_elements = [Patch(facecolor=clr, edgecolor='w', label=l) for l, clr in category_color.items()] plt.legend(handles=legend_elements, loc='center left', bbox_to_anchor=(1, .95)) plt.show() # """ 在每个格子里画饼图，且用颜色表示类别，用数字表示总样本数量 """ # plt.figure(figsize=(16, 16)) # the_grid = GridSpec(size, size) # for position in winmap.keys(): # label_fracs = [winmap[position][label] for label in [0, 1, 2]] # plt.subplot(the_grid[position[1], position[0]], aspect=1) # patches, texts = plt.pie(label_fracs) # plt.text(position[0] / 100, position[1] / 100, str(len(list(winmap[position].elements()))), # color='black', fontdict={'weight': 'bold', 'size': 15}, va='center', ha='center') # plt.legend(patches, class_names, loc='center right', bbox_to_anchor=(-1, 9), ncol=3) # plt.show() if __name__ == '__main__': # 导入数据集 iris = datasets.load_iris() # 提取iris数据集的标签与数据 feature_names = iris.feature_names class_names = iris.target_names X = iris.data Y = iris.target # 划分训练集、测试集 7:3 X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.3, random_state=0) # 样本数量 N = X_train.shape[0] # 维度/特征数量 M = X_train.shape[1] # 最大迭代次数 max_iter = 200 # 经验公式：决定输出层尺寸 size = math.ceil(np.sqrt(5 * np.sqrt(N))) print("训练样本个数:{} 测试样本个数:{}".format(N, X_test.shape[0])) print("输出网格最佳边长为:", size) # 初始化模型 som = MiniSom(size, size, M, sigma=3, learning_rate=0.5, neighborhood_function='bubble') # 初始化权值 som.pca_weights_init(X_train) # 模型训练 som.train_batch(X_train, max_iter, verbose=False) # 利用标签信息，标注训练好的som网络 winmap = som.labels_map(X_train, Y_train) # 进行分类预测 y_pred = classify(som, X_test, winmap) print(y_pred) # 展示在测试集上的效果 print(classification_report(Y_test, np.array(y_pred))) # 可视化 show(som)
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107
3. SOM的无监督聚类
from minisom import MiniSom import numpy as np import pandas as pd from sklearn import datasets import matplotlib.pyplot as plt # 加载鸢尾花数据 iris = datasets.load_iris() data = iris.data ds = pd.DataFrame(data) dt=ds.values som_shape = (1,3) som = MiniSom(som_shape[0], som_shape[1], dt.shape[1], sigma=.5, learning_rate=.5, neighborhood_function='gaussian', random_seed=42) som.train_batch(dt, 1000, verbose=True) winner_coordinates = np.array([som.winner(x) for x in dt]).T cluster_index = np.ravel_multi_index(winner_coordinates, som_shape) ## 可视化聚类结果 import matplotlib.pyplot as plt from matplotlib import rcParams from matplotlib.pyplot import MultipleLocator config = { "font.family": 'serif', # 衬线字体 "font.size": 10, # 相当于小四大小 "font.serif": ['SimSun'], # 宋体 "mathtext.fontset": 'stix', # matplotlib渲染数学字体时使用的字体，和Times New Roman差别不大 'axes.unicode_minus': False # 处理负号，即-号 } rcParams.update(config) fig = plt.figure(figsize=(5,5)) ax = plt.subplot(1,1,1,projection='3d') # plotting the clusters using the first 2 dimentions of the data for c in np.unique(cluster_index): ax.scatter3D(dt[cluster_index == c, 0], dt[cluster_index == c, 1], dt[cluster_index == c, 2], label='cluster='+str(c), alpha=.7) # plotting centroids for centroid in som.get_weights(): ax.scatter3D(centroid[:, 0], centroid[:, 1],centroid[:, 2], marker='x', alpha=.7,s=10, linewidths=10, color='k', label='centroid') ax.set_xlabel('Production Function') ax.set_ylabel('Economy Function') ax.set_zlabel('Social Function') ax.set_title('SOM clustering result') plt.legend() # plt.margins(0,0,0) plt.show() # plt.savefig('./result.png',dpi=600)
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354
相关知识
鸢尾花数据集下载
基于BP神经网络对鸢尾花的分类的研究
基于神经网络——鸢尾花识别（Iris）
卷积神经网络实现鸢尾花数据分类python代码实现
Python 基于BP神经网络的鸢尾花分类
神经网络与深度学习（五）前馈神经网络（3）鸢尾花分类
机器学习之路：经典的鸢尾花数据集
对鸢尾花数据集和月亮数据集，分别采用线性LDA、k
鸢尾花分类——神经网络详解
TensorFlow 2建立神经网络分类模型——以iris数据为例
网址: 基于鸢尾花数据集实施自组织神经网络聚类分析 https://m.huajiangbk.com/newsview546224.html
| 上一篇: iris鸢尾花数据集 |
下一篇: Spark SQL实验：鸢尾花、 |
