python_ml/silhouette.py

   1 from __future__ import print_function
   2
   3 from sklearn.datasets import make_blobs
   4 from sklearn.cluster import KMeans
   5 from sklearn.metrics import silhouette_samples, silhouette_score
   6
   7 import matplotlib.pyplot as plt
   8 import matplotlib.cm as cm
   9 import numpy as np
  10
  11 print(__doc__)
  12
  13 # Generating the sample data from make_blobs
  14 # This particular setting has one distinct cluster and 3 clusters placed close
  15 # together.
  16 '''X, y = make_blobs(n_samples=500,
  17                   n_features=2,
  18                   centers=4,
  19                   cluster_std=1,
  20                   center_box=(-10.0, 10.0),
  21                   shuffle=True,
  22                   random_state=1)  # For reproducibility'''
  23
  24 X = np.array([[132, 192], [117, 960], [117, 962], [1343, 0], [117, 1116], [117, 1117], [117, 1118], [117, 1119], [1015, 0], [117, 966]])
  25
  26 range_n_clusters = [2, 3, 4, 5, 6]
  27
  28 for n_clusters in range_n_clusters:
  29     # Create a subplot with 1 row and 2 columns
  30     fig, (ax1, ax2) = plt.subplots(1, 2)
  31     fig.set_size_inches(18, 7)
  32
  33     # The 1st subplot is the silhouette plot
  34     # The silhouette coefficient can range from -1, 1 but in this example all
  35     # lie within [-0.1, 1]
  36     ax1.set_xlim([-0.1, 1])
  37     # The (n_clusters+1)*10 is for inserting blank space between silhouette
  38     # plots of individual clusters, to demarcate them clearly.
  39     ax1.set_ylim([0, len(X) + (n_clusters + 1) * 10])
  40
  41     # Initialize the clusterer with n_clusters value and a random generator
  42     # seed of 10 for reproducibility.
  43     clusterer = KMeans(n_clusters=n_clusters, random_state=10)
  44     cluster_labels = clusterer.fit_predict(X)
  45
  46     # The silhouette_score gives the average value for all the samples.
  47     # This gives a perspective into the density and separation of the formed
  48     # clusters
  49     silhouette_avg = silhouette_score(X, cluster_labels)
  50     print("For n_clusters =", n_clusters,
  51           "The average silhouette_score is :", silhouette_avg)
  52
  53     # Compute the silhouette scores for each sample
  54     sample_silhouette_values = silhouette_samples(X, cluster_labels)
  55
  56     y_lower = 10
  57     for i in range(n_clusters):
  58         # Aggregate the silhouette scores for samples belonging to
  59         # cluster i, and sort them
  60         ith_cluster_silhouette_values = \
  61             sample_silhouette_values[cluster_labels == i]
  62
  63         ith_cluster_silhouette_values.sort()
  64
  65         size_cluster_i = ith_cluster_silhouette_values.shape[0]
  66         y_upper = y_lower + size_cluster_i
  67
  68         color = cm.nipy_spectral(float(i) / n_clusters)
  69         ax1.fill_betweenx(np.arange(y_lower, y_upper),
  70                           0, ith_cluster_silhouette_values,
  71                           facecolor=color, edgecolor=color, alpha=0.7)
  72
  73         # Label the silhouette plots with their cluster numbers at the middle
  74         ax1.text(-0.05, y_lower + 0.5 * size_cluster_i, str(i))
  75
  76         # Compute the new y_lower for next plot
  77         y_lower = y_upper + 10  # 10 for the 0 samples
  78
  79     ax1.set_title("The silhouette plot for the various clusters.")
  80     ax1.set_xlabel("The silhouette coefficient values")
  81     ax1.set_ylabel("Cluster label")
  82
  83     # The vertical line for average silhouette score of all the values
  84     ax1.axvline(x=silhouette_avg, color="red", linestyle="--")
  85
  86     ax1.set_yticks([])  # Clear the yaxis labels / ticks
  87     ax1.set_xticks([-0.1, 0, 0.2, 0.4, 0.6, 0.8, 1])
  88
  89     # 2nd Plot showing the actual clusters formed
  90     colors = cm.nipy_spectral(cluster_labels.astype(float) / n_clusters)
  91     ax2.scatter(X[:, 0], X[:, 1], marker='.', s=30, lw=0, alpha=0.7,
  92                 c=colors, edgecolor='k')
  93
  94     # Labeling the clusters
  95     centers = clusterer.cluster_centers_
  96     # Draw white circles at cluster centers
  97     ax2.scatter(centers[:, 0], centers[:, 1], marker='o',
  98                 c="white", alpha=1, s=200, edgecolor='k')
  99
 100     for i, c in enumerate(centers):
 101         ax2.scatter(c[0], c[1], marker='$%d$' % i, alpha=1,
 102                     s=50, edgecolor='k')
 103
 104     ax2.set_title("The visualization of the clustered data.")
 105     ax2.set_xlabel("Feature space for the 1st feature")
 106     ax2.set_ylabel("Feature space for the 2nd feature")
 107
 108     plt.suptitle(("Silhouette analysis for KMeans clustering on sample data "
 109                   "with n_clusters = %d" % n_clusters),
 110                  fontsize=14, fontweight='bold')
 111
 112     plt.show()
 113