中科大计算机模式识别聚类作业

### 中科大计算机模式识别聚类作业解析 #### 数据集介绍 本次作业涉及两种不同的脑电数据集：**DEAP** 和 **MAHNOB-HCI**。 1. **DEAP数据集**： - **输入特征**：该数据集包含1216个脑电信号样本的160维特征。这些特征被分为五个频段，分别为theta (θ)、slow alpha (α慢波)、alpha (α)、beta (β)、gamma (γ)。每个频段对应32个通道的脑电特征，共计160维特征。 - **标签**：每个样本都标记了情感的**愉悦度**和**唤醒度**。愉悦度分为正向(1)和负向(2)；唤醒度分为高唤醒(1)和低唤醒(2)。 2. **MAHNOB-HCI数据集**： - **输入特征**：该数据集包含533个脑电信号样本的160维特征。与DEAP数据集相似，这些特征同样被分为theta (θ)、slow alpha (α慢波)、alpha (α)、beta (β)、gamma (γ)五个频段。 - **标签**：每个样本被赋予了特定的情感标签，包括中性(0)、愤怒(1)、厌恶(2)、恐惧(3)、喜悦和幸福(4)、悲伤(5)、惊讶(6)、娱乐(11)以及焦虑(12)。 #### 聚类算法与结果 本作业选取了两种经典的聚类算法：**K-Means** 和 **DBSCAN** 来对上述数据集进行分析。 1. **K-Means算法**： - **思想**：该算法试图根据样本之间的距离来划分数据集，目标是最小化每个簇内部的差异性同时最大化簇间差异。 - **主要参数**： - `n_clusters`：指定聚类的数量(k值)。 - `max_iter`：最大迭代次数。 - `random_state`：用于初始化聚类中心的随机种子。 - **不同参数的影响**： - **随机初始化参数的影响**：通过调整`random_state`，可以观察到不同的初始聚类中心对最终聚类结果的影响。对于DEAP数据集而言，由于样本分布较为紧凑，即使改变初始聚类中心，最终聚类结果也相差无几，这表明K-Means在此数据集上的稳定性较高。 - **最大迭代次数的影响**：通过对`max_iter`的不同设置，我们可以评估算法收敛的速度。例如，在DEAP数据集上，即使迭代次数较少，K-Means也能快速收敛，这再次证明了其在该数据集上的高效性。 - **聚类结果与标签之间的关系**：在DEAP数据集上，当将样本划分为两个簇时，簇1和簇2中的愉悦度和唤醒度标签没有明显的区分，这表明简单的K-Means算法难以有效地区分这些情感标签。 2. **DBSCAN算法**： - **思想**：DBSCAN是一种基于密度的聚类算法，它假设类别可以通过样本分布的紧密程度来定义。在同一类别内，样本之间相互紧密连接。 - **主要参数**： - `eps`：确定样本点的邻域范围。 - `min_samples`：定义核心对象所需的邻域样本数量阈值。 - `metric`：用于计算距离的度量方法。 - **不同参数的影响**： - **ε-邻域的距离阈值eps的影响**：较小的`eps`值导致更多的孤立点或单点类别，而较大的`eps`值可能使不同的类别被错误地归为同一类别。 - **ε-邻域的样本数阈值min_samples的影响**：较小的`min_samples`值使得更多的样本点成为核心对象，从而形成更大的簇；相反，较大的`min_samples`值可能导致更多孤立点的存在。 - **聚类结果与标签之间的关系**：在MAHNOB-HCI数据集上，DBSCAN算法的表现并不理想。从聚类结果来看，不同情感标签的样本混合在一起，这意味着DBSCAN并未能有效地依据情感标签来区分样本。 #### 结论 通过对这两种算法的比较分析，我们可以得出以下结论： - 在DEAP数据集上，K-Means算法显示出较好的稳定性和收敛速度，但难以有效区分不同情感标签。 - DBSCAN算法在MAHNOB-HCI数据集上的表现不佳，尽管它可以处理任意数量的类别和非球形形状的簇，但在该数据集上未能有效地依据情感标签进行聚类。 这些结果提示我们，在实际应用中选择聚类算法时，应考虑数据的特点及具体需求。对于情感分析等复杂场景，可能需要更复杂的模型或方法来提高聚类的准确性和有效性。