2.4. K均值聚类(KMeans Analysis)实战(进阶)

本文紧承上文 2.3. K均值聚类(KMeans Analysis)实战(基础) ，如果没有看请先看上一篇文章。

2.4.1. 获取预测值

我们得先获取预测值，然后用预测值与label的标签比较：

# 获取预测值  
y_predict = kmeans.predict(x)

2.4.2. 与原数据对比与校正

获得了预测值以后我们就要根据label的值来对比计算准确率了:

# 计算准确率  
from sklearn.metrics import accuracy_score  
print(accuracy_score(y, y_predict))

输出：

0.332

但是为什么准确率这么低呢？看图明明分类分的挺好的。

这是因为我们还有一个问题没解决，其实在上一篇文章的末尾我就提到过：

KMeans划分的0、1、2类与label的0、1、2类不一样。KMeans模型本身不知道label，所以它的划分是随意的，虽然也会分为3类，但KMeans划分的0、1、2类不一定和label的0、1、2类一一对应。

这就导致了明明类分对了但是因为标签不同被视为错误。如何解决这个问题呢？一般来说我们可以通过数据的分布来分析：

label中散点数量最多的簇肯定对应预测结果中散点数量最多的簇，label中散点数量最少的簇肯定对应预测结果中散点数量最少的簇。

依此我们就可以把label的分类和模型的分类一一对应上。

那我们如何看数据的分布情况呢？pandas库提供了value_counts方法：

# 查看数据分布  
print(pd.value_counts(y_predict))  
print(pd.value_counts(y))

输出：

1    501
0    501
2    498
Name: count, dtype: int64
label
0    500
1    500
2    500
Name: count, dtype: int64

你会发现这些数据分布都太接近了，根本就分不出来。所以我们得放弃这个思路。

当然大部分时候这个思路都是有效的，只是我们这里情况特殊。

我们还可以通过画图来展现这个问题：

# 画图  
import matplotlib.pyplot as plt  
# 画原分类  
fig1 = plt.subplot(1, 2, 1)  
x1 = data.loc[:, "x1"]  
x2 = data.loc[:, "x2"]  
label = data.loc[:, "label"]  
  
class0 = (label == 0)  
class1 = (label == 1)  
class2 = (label == 2)  
  
fig1.scatter(x1[class0], x2[class0], c='r')  
fig1.scatter(x1[class1], x2[class1], c='g')  
fig1.scatter(x1[class2], x2[class2], c='b')  
  
fig1.set_title("Actual Classification")  
  
# 画模型的分类  
fig2 = plt.subplot(1, 2, 2)  
predicted_class0 = (y_predict == 0)  
predicted_class1 = (y_predict == 1)  
predicted_class2 = (y_predict == 2)  
  
fig2.scatter(x1[predicted_class0], x2[predicted_class0], c='r')  
fig2.scatter(x1[predicted_class1], x2[predicted_class1], c='g')  
fig2.scatter(x1[predicted_class2], x2[predicted_class2], c='b')  
  
fig2.scatter(centers[:, 0], centers[:, 1], c='black', s=100, marker='x', label='Centers')  
  
fig2.set_title("KMeans Classification")  
  
# 显示整个画布  
plt.show()

图片输出：


可以看到，是红色和绿色的部分颠倒了，对应KMeans的0标签和1标签反了。所以我们只需要校正这部分即可：

# 校正标签  
y_correct = []  
for i in y_predict:  
    if i == 0:  
        y_correct.append(1)  
    elif i == 1:  
        y_correct.append(0)  
    else:  
        y_correct.append(2)

• 通过遍历并创建新的数组来校正标签。
• 如果原本是0，在新的数组里就是1；如果原本是1，在新的数组里就是0；其余不变，保持2。

2.4.3. 计算正确的正确率

这下的正确率就应该提高了：

# 计算正确率  
from sklearn import metrics  
print(metrics.accuracy_score(y, y_correct))

输出：

0.9986666666666667

这就对了。