系统聚类的分类数确定——聚合系数法
breast_cancer数据集分析——乳腺癌诊断
#读取乳腺癌数据
import pandas as pd
import numpy as np
from sklearn.datasets import load_breast_cancer
data = load_breast_cancer()
X = data.data
y = data.target
.. _breast_cancer_dataset: Breast cancer wisconsin (diagnostic) dataset -------------------------------------------- **Data Set Characteristics:** :Number of Instances: 569 :Number of Attributes: 30 numeric, predictive attributes and the class :Attribute Information: - radius (mean of distances from center to points on the perimeter) - texture (standard deviation of gray-scale values) - perimeter - area - smoothness (local variation in radius lengths) - compactness (perimeter^2 / area - 1.0) - concavity (severity of concave portions of the contour) - concave points (number of concave portions of the contour) - symmetry - fractal dimension ("coastline approximation" - 1) The mean, standard error, and "worst" or largest (mean of the three worst/largest values) of these features were computed for each image, resulting in 30 features. For instance, field 0 is Mean Radius, field 10 is Radius SE, field 20 is Worst Radius. - class: - WDBC-Malignant - WDBC-Benign :Summary Statistics: ===================================== ====== ====== Min Max ===================================== ====== ====== radius (mean): 6.981 28.11 texture (mean): 9.71 39.28 perimeter (mean): 43.79 188.5 area (mean): 143.5 2501.0 smoothness (mean): 0.053 0.163 compactness (mean): 0.019 0.345 concavity (mean): 0.0 0.427 concave points (mean): 0.0 0.201 symmetry (mean): 0.106 0.304 fractal dimension (mean): 0.05 0.097 radius (standard error): 0.112 2.873 texture (standard error): 0.36 4.885 perimeter (standard error): 0.757 21.98 area (standard error): 6.802 542.2 smoothness (standard error): 0.002 0.031 compactness (standard error): 0.002 0.135 concavity (standard error): 0.0 0.396 concave points (standard error): 0.0 0.053 symmetry (standard error): 0.008 0.079 fractal dimension (standard error): 0.001 0.03 radius (worst): 7.93 36.04 texture (worst): 12.02 49.54 perimeter (worst): 50.41 251.2 area (worst): 185.2 4254.0 smoothness (worst): 0.071 0.223 compactness (worst): 0.027 1.058 concavity (worst): 0.0 1.252 concave points (worst): 0.0 0.291 symmetry (worst): 0.156 0.664 fractal dimension (worst): 0.055 0.208 ===================================== ====== ====== :Missing Attribute Values: None :Class Distribution: 212 - Malignant, 357 - Benign :Creator: Dr. William H. Wolberg, W. Nick Street, Olvi L. Mangasarian :Donor: Nick Street :Date: November, 1995 This is a copy of UCI ML Breast Cancer Wisconsin (Diagnostic) datasets. https://goo.gl/U2Uwz2 Features are computed from a digitized image of a fine needle aspirate (FNA) of a breast mass. They describe characteristics of the cell nuclei present in the image. Separating plane described above was obtained using Multisurface Method-Tree (MSM-T) [K. P. Bennett, "Decision Tree Construction Via Linear Programming." Proceedings of the 4th Midwest Artificial Intelligence and Cognitive Science Society, pp. 97-101, 1992], a classification method which uses linear programming to construct a decision tree. Relevant features were selected using an exhaustive search in the space of 1-4 features and 1-3 separating planes. The actual linear program used to obtain the separating plane in the 3-dimensional space is that described in: [K. P. Bennett and O. L. Mangasarian: "Robust Linear Programming Discrimination of Two Linearly Inseparable Sets", Optimization Methods and Software 1, 1992, 23-34]. This database is also available through the UW CS ftp server: ftp ftp.cs.wisc.edu cd math-prog/cpo-dataset/machine-learn/WDBC/ .. dropdown:: References - W.N. Street, W.H. Wolberg and O.L. Mangasarian. Nuclear feature extraction for breast tumor diagnosis. IS&T/SPIE 1993 International Symposium on Electronic Imaging: Science and Technology, volume 1905, pages 861-870, San Jose, CA, 1993. - O.L. Mangasarian, W.N. Street and W.H. Wolberg. Breast cancer diagnosis and prognosis via linear programming. Operations Research, 43(4), pages 570-577, July-August 1995. - W.H. Wolberg, W.N. Street, and O.L. Mangasarian. Machine learning techniques to diagnose breast cancer from fine-needle aspirates. Cancer Letters 77 (1994) 163-171... 乳腺癌数据集： 威斯康星州乳腺癌（诊断）数据集 -------------------------------------------- **数据集特征：** ：实例数： 569 属性数 30 个数字、预测属性和类 :属性信息： - 半径（从中心到周边各点距离的平均值） - 纹理（灰度值的标准偏差） - 周长 - 面积 - 平滑度（半径长度的局部变化） - 紧凑性（周长^2 / 面积 - 1.0） - 凹度（轮廓凹陷部分的严重程度） - 凹点（轮廓凹陷部分的数量） - 对称性 - 分形维度（“海岸线近似值” - 1） 平均值、标准误差和 “最差 ”或最大值（三个最差/最大值的平均值 计算出每幅图像的这些特征的平均值、标准误差和 “最差 ”或最大值（三个最差/最大值的平均值）、 得出 30 个特征值。 例如，字段 0 是平均半径，字段 10 为半径 SE，字段 20 为最差半径。 - 类别 - WDBC-恶性 - WDBC-良性 :统计摘要： ===================================== ====== ====== 最小值 最大值 ===================================== ====== ====== 半径（平均值）： 6.981 28.11 纹理（平均值）： 9.71 39.28 周长（平均值）： 43.79 188.5 面积（平均值）： 143.5 2501.0 平滑度（平均值）： 0.053 0.163 密实度（平均值）： 0.019 0.345 凹度（平均值）： 0.0 0.427 凹点（平均值）： 0.0 0.201 对称性（平均值）： 0.106 0.304 分形维度（平均值）： 0.05 0.097 半径（标准误差）： 0.112 2.873 纹理（标准误差）： 0.36 4.885 周长（标准误差）： 0.757 21.98 面积（标准误差）： 6.802 542.2 平滑度（标准误差）： 0.002 0.031 紧凑性（标准误差）： 0.002 0.135 凹度（标准误差）： 0.0 0.396 凹点（标准误差）： 0.0 0.053 对称性（标准误差）： 0.008 0.079 分形维度（标准误差）： 0.001 0.03 半径（最差）： 7.93 36.04 纹理（最差）： 12.02 49.54 周长（最差）： 50.41 251.2 面积（最差）： 185.2 4254.0 平滑度（最差）： 0.071 0.223 紧凑性（最差）： 0.027 1.058 凹度（最差）： 0.0 1.252 凹点（最差）： 0.0 0.291 对称性（最差）： 0.156 0.664 分形维度（最差）： 0.055 0.208 ===================================== ====== ====== :缺失属性值： 无 :类别分布：212 - 恶性，357 - 良性 :Creator： William H. Wolberg 博士、W. Nick Street、Olvi L. Mangasarian :Donor： 尼克-斯切特 :Date： 1995 年 11 月 这是 UCI ML 乳腺癌威斯康星（诊断）数据集的副本。 https://goo.gl/U2Uwz2 根据乳腺肿块的细针穿刺（FNA）数字化图像计算特征。 乳腺肿块的细针抽吸（FNA）的数字化图像计算得出的。 它们描述了 图像中细胞核的特征。 上述分离平面是通过 多面方法树（MSM-T）[K. P. Bennett，“通过线性规划构建决策树”。 通过线性规划构建决策树"。第四届 中西部人工智能与认知科学学会论文集》、 pp. 97-101, 1992]，这是一种使用线性规划来构建决策树的分类方法。 编程来构建决策树的分类方法。 相关特征 在 1-4 个特征和 1-3 个分离平面的空间内进行穷举搜索，选出相关特征。 特征和 1-3 个分离平面的空间中进行穷举搜索，选出相关特征。 实际用于获取三维空间中分离平面的线性规划 在三维空间中的分离平面的实际线性编程方法见以下文献： [K. P. Bennett 和 O. L. Mangasarian： "Robust Linear Robust Linear Programming Discrimination of Two Linearly Inseparable Sets"、 Optimization Methods and Software 1, 1992, 23-34]。 该数据库也可通过华盛顿大学计算机科学与技术系的 ftp 服务器获取： ftp ftp.cs.wisc.edu cd math-prog/cpo-dataset/machine-learn/WDBC/ .下拉菜单：： 参考文献 - W.N. Street、W.H. Wolberg 和 O.L. Mangasarian. 核特征提取 用于乳腺肿瘤诊断。IS&T/SPIE 1993 国际电子成像研讨会。 电子成像： 科学与技术》，第 1905 卷，第 861-870 页、 加利福尼亚州圣何塞，1993 年。 - O.L. Mangasarian、W.N. Street 和 W.H. Wolberg。乳腺癌诊断和 通过线性规划的预后。运筹学》，43（4），第 570-577 页、 1995年7月-8月。 - W.H. Wolberg、W.N. Street 和 O.L. Mangasarian。机器学习技术 从细针抽吸物诊断乳腺癌。癌症通讯 77 (1994) 163-171.威斯康星州乳腺癌数据集简介
from sklearn import datasets # 加载威斯康星州乳腺癌数据集 cancer_data = datasets.load_breast_cancer() # 特征数据 X = cancer_data.data # 目标变量 y = cancer_data.target
威斯康星州乳腺癌数据集是scikit-learn（sklearn）库中一个常用的内置数据集，用于分类任务。该数据集包含了从乳腺癌患者收集的肿瘤特征的测量值，以及相应的良性（benign）或恶性（malignant）标签。以下是对该数据集的简单介绍：
数据集名称：威斯康星州乳腺癌数据集（Breast Cancer Wisconsin Dataset）
数据集来源：数据集最初由威斯康星州医院的Dr. William H. Wolberg收集。
数据集特征：数据集包含30个数值型特征，这些特征描述了乳腺肿瘤的不同测量值，如肿瘤的半径、纹理、对称性等。
目标变量：数据集的目标变量是二分类的，代表肿瘤的良性（benign）或恶性（malignant）状态。良性表示肿瘤是非恶性的，恶性表示肿瘤是恶性的。
样本数量：数据集包含569个样本，其中良性样本357个，恶性样本212个。
数据集用途：该数据集被广泛用于分类任务、特征选择、模型评估等机器学习任务和实验中。
在使用sklearn库时，可以通过调用datasets.load_breast_cancer()函数加载威斯康星州乳腺癌数据集。加载后的数据集包含两个主要部分：data和target。data存储特征数据，target存储目标变量（标签）数据。
#读取乳腺癌数据
import pandas as pd
import numpy as np
from sklearn.datasets import load_breast_cancer
data = load_breast_cancer()
X = data.data
y = data.target
#显示数据集
print(data.DESCR)
#显示数据dataframe结果
df = pd.DataFrame(data.data, columns=data.feature_names)
df['target'] = data.target
df.head()
#写入csv文件
df.to_csv('breast_cancer.csv', index=False)
聚合系数法确定最优聚类数。
#使用聚合系数确定最佳聚类数
from sklearn.cluster import AgglomerativeClustering
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt
sil = []
for i in range(2,11):
model = AgglomerativeClustering(n_clusters=i)
y_pred = model.fit_predict(X)
sil.append(silhouette_score(X, y_pred))
plt.plot(range(2,11), sil)
plt.show()
谱系图绘制
#根据最佳聚类数绘制树状图
from scipy.cluster.hierarchy import dendrogram, ward
model = AgglomerativeClustering(n_clusters=2)
y_pred = model.fit_predict(X)
linkage_array = ward(X)
dendrogram(linkage_array)
ax = plt.gca()
ax.set_xlabel("Sample index")
ax.set_ylabel("Cluster distance")
bounds = ax.get_ybound()
ax.plot(bounds, [40, 40], '--', c='k')
ax.plot(bounds, [5, 5], '--', c='k')
plt.show()
原文地址：https://blog.csdn.net/2301_76574743/article/details/143582314
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！