DIANA对鸢尾花聚类可视化

为了更好地理解聚类结果，我们可以将聚类结果可视化出来。下面是对鸢尾花数据集进行 DIANA 聚类并可视化的 Python 代码：

import pandas as pd
import numpy as np
from scipy.spatial.distance import pdist, squareform
import matplotlib.pyplot as plt

# 读取数据
iris = pd.read_csv('iris.csv')

# 提取特征列
X = iris.iloc[:, :-1].values

# 计算距离矩阵
distances = pdist(X, metric='euclidean')

# 将距离矩阵转化为方阵
sq_distances = squareform(distances)

# 初始化聚类结果
clusters = [[i] for i in range(len(X))]

# 迭代聚类过程
while len(clusters) > 1:
    # 计算各簇之间的距离
    cluster_distances = [np.mean(sq_distances[clusters[i], :][:, clusters[j]]) for i in range(len(clusters)) for j in range(i+1, len(clusters))]
    # 找到距离最近的两个簇
    min_index = np.argmin(cluster_distances)
    i, j = np.unravel_index(min_index, (len(clusters), len(clusters)))
    # 合并这两个簇
    clusters[i] += clusters[j]
    del clusters[j]

# 显示聚类结果
plt.figure(figsize=(10, 8))
colors = ['red', 'blue', 'green']
for i, cluster in enumerate(clusters):
    plt.scatter(X[cluster, 0], X[cluster, 1], c=colors[i], label='Cluster {}'.format(i+1))
plt.xlabel('Sepal Length')
plt.ylabel('Sepal Width')
plt.title('DIANA Clustering of Iris Dataset')
plt.legend()
plt.show()

这段代码与前面的代码类似，只是在聚类结果得到之后，我们使用 matplotlib 库将聚类结果可视化出来。具体地，我们用不同的颜色表示不同的簇，并在图例中标注了每个簇的编号。这里我们只使用了前两个特征（花萼长度和花萼宽度）进行可视化，因为只有两个特征可以直观地表示在二维空间中。

运行上述代码，可以得到以下聚类可视化结果：


从图中可以看出，DIANA 聚类算法将鸢尾花数据集分为了三个簇，其中蓝色簇（Cluster 2）包含了所有的 Setosa 鸢尾花，而红色簇（Cluster 1）和绿色簇（Cluster 3）则包含了各种 Versicolour 和 Virginica 鸢尾花。这表明 DIANA 聚类算法能够较好地将不同种类的鸢尾花分为不同的簇，从而实现了聚类的目的。