【聚类】K-modes和K-prototypes——适合离散数据的聚类方法

K-modes和K-prototypes是两种常用的聚类方法，适用于离散数据。以下是Python中使用scikit-learn库实现K-modes和K-prototypes聚类的示例代码：

from sklearn.cluster import KMeans, k_prototypes
from sklearn.metrics import adjusted_mutual_info_score, adjusted_rand_score
import numpy as np
 
# 生成示例数据
data = np.array([
    [1, 1, 1, 1, 1],
    [1, 1, 1, 2, 2],
    [1, 2, 2, 2, 2],
    [2, 2, 2, 2, 1],
    [2, 2, 2, 1, 1],
    [2, 1, 1, 1, 1]
])
 
# K-modes聚类
k_modes_clusterer = KMeans(n_clusters=3)
k_modes_clusterer.fit(data)
k_modes_labels = k_modes_clusterer.labels_
k_modes_centroids = k_modes_clusterer.cluster_centers_
 
# K-prototypes聚类
k_prototypes_clusterer = k_prototypes(n_clusters=3, data=data)
k_prototypes_labels = k_prototypes_clusterer.labels_
k_prototypes_centroids = k_prototypes_clusterer.cluster_centers_
 
# 评估聚类效果
print("K-modes AMI:", adjusted_mutual_info_score(np.argmax(data, axis=1), k_modes_labels))
print("K-modes ARI:", adjusted_rand_score(np.argmax(data, axis=1), k_modes_labels))
print("K-prototypes AMI:", adjusted_mutual_info_score(np.argmax(data, axis=1), k_prototypes_labels))
print("K-prototypes ARI:", adjusted_rand_score(np.argmax(data, axis=1), k_prototypes_labels))

这段代码首先导入必要的库，生成示例离散数据，然后使用K-modes和K-prototypes算法进行聚类，并使用调整后的互信息（AMI）和调整后的Rand指数（ARI）评估聚类效果。