机器学习 - BIRCH 聚类-开发者社区

摘要：BIRCH聚类是一种高效处理大规模数据的层次聚类算法。它通过构建CFTree树形结构，使用聚类特征(CF)汇总数据统计信息，实现单次扫描数据即可完成初步聚类。算法核心优势在于内存效率高、计算速度快，适合百万级样本处理。BIRCH包含三个关键步骤：初始化、聚类和优化，通过参数threshold和n_clusters控制聚类粒度。虽然对非球形聚类效果有限，但其出色的可扩展性使其成为大数据场景的理想选择。Python中可通过scikit-learn的Birch类实现，并配合调整兰德指数(ARI)评估聚类效果。

机器学习 - BIRCH 聚类

BIRCH 聚类核心概念

核心思想

关键概念：聚类特征（CF）

CF Tree 结构

BIRCH 聚类的三个主要步骤

BIRCH 聚类的 Python 实现

示例1

示例2

代码解释

BIRCH 聚类的优点

BIRCH 聚类的缺点

适用场景

总结

机器学习 - BIRCH 聚类

BIRCH（平衡迭代规约与聚类层次结构）是一种层次聚类算法，专为高效处理大型数据集而设计。该算法通过递归地将数据划分为子聚类，构建树形的聚类结构，直至满足停止准则。

BIRCH 使用两种主要数据结构来表示聚类：聚类特征（CF）和子聚类特征（SCF）。聚类特征（CF）用于汇总一组数据点的统计特性，而子聚类特征（SCF）用于表示子聚类的结构。

BIRCH 聚类核心概念

BIRCH（Balanced Iterative Reducing and Clustering using Hierarchies）是一种层次聚类算法，专为大规模数据集设计，核心优势是高效、内存友好，能在单次扫描数据时完成初步聚类，适合处理百万级以上的样本。

核心思想

BIRCH 不直接对原始数据聚类，而是先构建一个紧凑的树形结构（CF Tree），将数据压缩成若干个 “聚类特征（CF）” 节点，再对这些节点进行聚类，避免重复处理原始数据，大幅降低计算成本。

关键概念：聚类特征（CF）

每个 CF 节点包含 3 个核心参数，用来描述一个子聚类的统计信息：

N：子聚类中的样本数量
LS：子聚类中所有样本的线性和（各维度求和）
SS：子聚类中所有样本的平方和（各维度平方后求和）

通过这 3 个参数，可快速计算子聚类的中心、半径、距离等，无需存储原始样本。

CF Tree 结构

CF Tree 是一棵平衡树，分为三层：

叶子节点：包含多个 CF 条目，每个条目对应一个子聚类，且叶子节点间通过双向链表连接；
非叶子节点：包含指向子节点的指针和对应的 CF 汇总信息；
根节点：整棵树的顶层节点。

构建树时，每个节点有最大容量限制，超过则分裂，保证树的紧凑性。

BIRCH 聚类的三个主要步骤

初始化：BIRCH 构建一个空的树形结构，并设置一个节点中可存储的最大聚类特征（CF）数量。
聚类：BIRCH 逐个读取数据点并将其添加到树形结构中。如果节点中已存在聚类特征（CF），则 BIRCH 会用新数据点更新该聚类特征（CF）；如果节点中没有聚类特征（CF），则 BIRCH 为该数据点创建一个新的聚类特征（CF）。之后，BIRCH 会检查节点中的聚类特征（CF）数量是否超过最大阈值，若超过阈值，则通过递归划分节点中的聚类特征（CF）来创建新的子聚类。
优化：BIRCH 基于距离度量，合并相似的子聚类，从而优化树形结构。

BIRCH 聚类的 Python 实现

要在 Python 中实现 BIRCH 聚类，可使用 scikit-learn 库。该库提供了实现 BIRCH 算法的 Birch 类。

pip install numpy scikit-learn matplotlib

以下是使用 Birch 类对数据集进行聚类的示例：

示例1

from sklearn.datasets import make_blobs from sklearn.cluster import Birch import matplotlib.pyplot as plt # 生成样本数据 X, y = make_blobs(n_samples=1000, centers=10, cluster_std=0.50, random_state=0) # 使用BIRCH聚类数据 birch = Birch(threshold=1.5, n_clusters=4) birch.fit(X) labels = birch.predict(X) # 绘制结果 plt.figure(figsize=(7.5, 3.5)) plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='winter') plt.show()

在该示例中，首先使用 scikit-learn 库中的 make_blobs 函数生成样本数据集。然后，使用 BIRCH 算法对数据集进行聚类：实例化一个 Birch 对象，将阈值（threshold）参数设置为 1.5，聚类数量（n_clusters）参数设置为 4；接着使用 fit 方法将 Birch 对象拟合到数据集，并用 predict 方法预测聚类标签；最后通过散点图绘制聚类结果。

输出结果

运行上述程序后，将生成以下散点图作为输出：

纵轴范围：10.0、7.5、5.0、2.5、0.0、-2.5、-5.0、-7.5、-10.0

横轴范围：-10、0、5、10

示例2

import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import make_blobs from sklearn.cluster import Birch from sklearn.metrics import adjusted_rand_score # 1. 生成模拟数据（大规模数据集，模拟真实场景） # n_samples=100000 模拟百万级数据，n_features=2 方便可视化 X, y_true = make_blobs( n_samples=100000, # 10万样本 n_features=2, # 2个特征 centers=5, # 5个真实聚类中心 cluster_std=1.0, random_state=42 ) # 2. 初始化 BIRCH 模型 # 关键参数说明： # - threshold：CF 节点的距离阈值（越小聚类越细，内存占用越高） # - n_clusters：最终聚类的数量（设为None时仅生成CF树，不做全局聚类） # - branching_factor：CF Tree 的分支因子（节点最大容量） birch = Birch( threshold=0.5, # 距离阈值 branching_factor=50, # 分支因子 n_clusters=5 # 最终聚类数（与真实中心数一致） ) # 3. 训练模型并预测 y_pred = birch.fit_predict(X) # 4. 评估聚类效果（调整兰德指数，取值[-1,1]，越接近1效果越好） ari = adjusted_rand_score(y_true, y_pred) print(f"调整兰德指数（ARI）：{ari:.4f}") # 5. 可视化聚类结果（随机采样1000个样本，避免绘图卡顿） np.random.seed(42) sample_idx = np.random.choice(len(X), 1000, replace=False) X_sample = X[sample_idx] y_pred_sample = y_pred[sample_idx] plt.figure(figsize=(8, 6)) plt.scatter(X_sample[:, 0], X_sample[:, 1], c=y_pred_sample, cmap='viridis', s=10, alpha=0.8) plt.title(f'BIRCH 聚类结果 (ARI={ari:.4f})', fontsize=12) plt.xlabel('特征1') plt.ylabel('特征2') plt.colorbar(label='聚类标签') plt.show()

代码解释

数据生成：用make_blobs生成 10 万条二维数据，模拟 5 个聚类中心的大规模数据集；
模型参数：
- threshold：核心参数，控制 CF 节点的紧凑度，阈值越小，聚类越精细，但内存占用和计算时间会增加；
- n_clusters：指定最终聚类数量，若设为None，BIRCH 仅生成 CF 树，需后续手动对叶子节点聚类；
评估指标：调整兰德指数（ARI）消除了随机聚类的影响，更适合评估聚类效果；
可视化：随机采样部分样本绘图，避免大规模数据绘图卡顿。

输出结果

运行代码后，会输出 ARI（通常接近 1，说明聚类效果好），并显示聚类散点图，不同颜色代表不同聚类。

BIRCH 聚类的优点

与其他聚类算法相比，BIRCH 聚类具有以下优点：

可扩展性：BIRCH 采用树形结构表示聚类，专为高效处理大型数据集而设计。
内存效率高：BIRCH 使用聚类特征（CF）和子聚类特征（SCF）数据结构汇总数据点的统计特性，减少了存储聚类所需的内存。
聚类速度快：BIRCH 采用增量式聚类方法，能够快速对数据点进行聚类。

BIRCH 聚类的缺点

BIRCH 聚类也存在一些缺点：

对参数设置敏感：BIRCH 聚类的性能易受参数选择的影响，例如节点中可存储的最大聚类特征（CF）数量以及用于创建子聚类的阈值等参数。
处理非球形聚类的能力有限：BIRCH 假设聚类为球形结构，因此对于包含非球形聚类的数据集，其性能可能不佳。
距离度量选择的灵活性有限：BIRCH 默认使用欧氏距离度量，该度量方法并非适用于所有数据集。

适用场景

大规模数据集（百万级以上样本）的快速聚类；
内存有限的环境（如单机处理大数据）；
初步聚类（作为其他聚类算法的前置步骤，先压缩数据再精细聚类）。

总结

BIRCH 是专为大规模数据设计的层次聚类算法，核心是通过 CF Tree 压缩数据，大幅降低计算和内存成本；
关键参数是threshold（距离阈值）和n_clusters（最终聚类数），需根据数据调优；
优势是高效、内存友好，适合大规模数据的快速聚类；缺点是对高维、非凸聚类效果差。