【Scikit-learn】K-means法でデータにラベリング

この記事では、Pythonと機械学習ライブラリ「scikit-learn」を用いて、K-means法によるクラスタ分析でラベリングする方法について解説します。

クラスタ分析とは
sklearn.cluster.KMeans クラス
ソースコード
実行結果

クラスタ分析とは

クラスタ分析 (clustering)とは、データを分類する手法です。
与えられたデータを外的基準なし（教師データなし）で自動的に分類します。
今回は、scikit-learnのk-means法で元データにクラスタ番号を付加し、ラベリングしてきます。

【詳細】
・【k-means法】クラスタリングのアルゴリズム

sklearn.cluster.KMeans クラス

scikit-learnでは、sklearn.cluster.KMeansクラスを使うことでk-means方を実装できます。
その使い方は下記の通りです。

書式

sklearn.cluster.KMeans(n_clusters=8, init='k-means++', n_init=10, max_iter=300, tol=0.0001,precompute_distances='auto', verbose=0, random_state=None, copy_x=True, n_jobs=1)

※各パラメータに設定されてる値(=の後)はデフォルト値

パラメータ	内容
n_clusters	クラスタの個数（分類する種類の数）
max_iter	繰り返し回数の最大値
n_init	初期値選択時に、異なる乱数のシードで初期の重心を選ぶ処理の実行回数
init	初期化の方法（’k-means++”, ‘random’ ndarray で指定）
tol	収束判定の許容可能誤差
precompute_distances	距離 (データのばらつき具合) を事前に計算するか否か（ ‘auto’, True, False で指定）
verbose	1 なら分析結果を詳細表示
random_state	乱数のシードを固定する場合に指定（数値か「integer or numpy.RandomState」で指定）
copy_x	メモリ内でデータを複製してから、距離を事前に計算するか否か
n_jobs	並列処理で初期化する際の多重度（-1 で全てのCPU を使用）

メソッド	内容
fit(X[, y])	クラスタリングの計算をする
fit_predict(X[, y])	各サンプルのクラスタ番号を算出
fit_transform(X[, y])	クラスタリングの計算をして、Xを分析に用いた距離空間に変換して返す
get_params([deep])	計算に用いたパラメータを返す
predict(X)	Xのサンプルが属しているクラスタ番号を返す
set_params(**params)	パラメータを設定
transform(X[, y])	Xを分析に用いた距離空間に変換して返す

【参考文献】 http://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html

ソースコード

サンプルプログラムのソースコードです。

# -*- coding: utf-8 -*-
import pandas as pd
import numpy as np
from sklearn.cluster import KMeans

def main():
    # CSVファイルを取得
    data = pd.read_csv("data.csv")
    # Pandasデータフレームをnumpy配列に変換
    data2 = np.array([data['x1'].tolist(), data['x2'].tolist(), data['x3'].tolist()], np.int32)
    # numpy配列を転置
    data2 = data2.T
    # k-means法でクラスタ分析（クラスタ数は3）
    result = KMeans(n_clusters=3).fit_predict(data)
    # クラスタ番号を表示
    data['cluster_id'] = result
    print(data)

if __name__ == "__main__":
    main()

【data.csv】

x1,x2,x3
45,17.5,30
38,17.0,25
41,18.5,20
34,18.5,30
59,16.0,45
47,19.0,35
35,19.5,25
43,16.0,35
54,18.0,35
52,19.0,40

実行結果

サンプルプログラムの実行結果です。

   x1    x2  x3  cluster_id
0  45  17.5  30           2
1  38  17.0  25           0
2  41  18.5  20           0
3  34  18.5  30           0
4  59  16.0  45           1
5  47  19.0  35           2
6  35  19.5  25           0
7  43  16.0  35           2
8  54  18.0  35           1
9  52  19.0  40           1

cluster_id（クラスタID）がクラスタの番号です。
今回はdata.csvのx1, x2, x3の３つのデータをもつ10組をk-means法で3つのクラスタ（0～2番）に分類しています。
上記の結果だと1組目のデータはクラスタ番号2、2組目はクラスタ番号1…という風に分類されています。