目录
3.1.2.3 当真实标签未知的时候:Calinski-Harabaz Index
1 概述
1.1 无监督学习与聚类算法
在过去的五周之内,我们学习了决策树,随机森林,逻辑回归,他们虽然有着不同的功能,但却都属于
“有监督学习
”
的一部分,即是说,模型在训练的时候,即需要特征矩阵
X
,也需要真实标签
y。机器学习当中,还有相当一部分算法属于
“
无监督学习
”
,无监督的算法在训练的时候只需要特征矩阵
X
,不需要标签。我们曾经学过的
PCA降维算法就是无监督学习中的一种,聚类算法,也是无监督学习的代表算法之一。
聚类算法又叫做
“无监督分类”,其目的是将数据划分成有意义或有用的组(或簇)。这种划分可以基于我们的业务需求或建模需求来完成,也可以单纯地帮助我们探索数据的自然结构和分布。比如在商业中,如果我们手头有大量的当前和潜在客户的信息,我们可以使用聚类将客户划分为若干组,以便进一步分析和开展营销活动,最有名的客户价值判断模型
RFM
,就常常和聚类分析共同使用。再比如,聚类可以用于降维和矢量量化(vector quantization),可以将高维特征压缩到一列当中,常常用于图像,声音,视频等非结构化数据,可以大幅度压缩数据量。
聚类
vs
分类
1.2 sklearn中的聚类算法
聚类算法在
sklearn中有两种表现形式,一种是类(和我们目前为止学过的分类算法以及数据预处理方法们都一样),需要实例化,训练并使用接口和属性来调用结果。另一种是函数(
function),只需要输入特征矩阵和超参数,即可返回聚类的结果和各种指标。
输入数据
需要注意的一件重要事情是,该模块中实现的算法可以采用不同类型的矩阵作为输入。 所有方法都接受形状[n_samples
,
n_features]
的标准特征矩阵,这些可以从
sklearn.feature_extraction模块中的类中获得。对于亲和力传播,光谱聚类和
DBSCAN
,还可以输入形状
[n_samples
,
n_samples]的相似性矩阵,我们可以使用sklearn.metrics.pairwise
模块中的函数来获取相似性矩阵。
2 KMeans
2.1 KMeans是如何工作的
作为聚类算法的典型代表,
KMeans
可以说是最简单的聚类算法没有之一,那它是怎么完成聚类的呢?
在
KMeans
算法中,簇的个数
K
是一个超参数,需要我们人为输入来确定。
KMeans的核心任务就是根据我们设定好的
K
,找出
K个最优的质心,并将离这些质心最近的数据分别分配到这些质心代表的簇中去。具体过程可以总结如下:
那什么情况下,质心的位置会不再变化呢?当我们找到一个质心,在每次迭代中被分配到这个质心上的样本都是一致的,即每次新生成的簇都是一致的,所有的样本点都不会再从一个簇转移到另一个簇,质心就不会变化了。
这个过程在可以由下图来显示,我们规定,将数据分为
4
簇(
K=4
),其中白色
X
代表质心的位置:
在数据集下多次迭代(iteration),就会有:
可以看见,第六次迭代之后,基本上质心的位置就不再改变了,生成的簇也变得稳定。此时我们的聚类就完成了,我们可以明显看出,
KMeans
按照数据的分布,将数据聚集成了我们规定的
4类,接下来我们就可以按照我们的业务需求或者算法需求,对这四类数据进行不同的处理。
2.2 簇内误差平方和的定义和解惑
聚类算法聚出的类有什么含义呢?这些类有什么样的性质?我们认为,
被分在同一个簇中的数据是有相似性的,而
不同簇中的数据是不同的,当聚类完毕之后,我们就要分别去研究每个簇中的样本都有什么样的性质,从而根据业务需求制定不同的商业或者科技策略。这个听上去和我们在上周的评分卡案例中讲解的
“
分箱”概念有些类似,即我们分箱的目的是希望,一个箱内的人有着相似的信用风险,而不同箱的人的信用风险差异巨大,以此来区别不同信用度的人,因此我们追求
“
组内差异小,组间差异大
”
。聚类算法也是同样的目的,我们追求
“簇内差异小,簇外差异大
”
。而这个
“
差异
“
,由
样本点到其所在簇的质心的距离
来衡量。
对于一个簇来说,所有样本点到质心的距离之和越小,我们就认为这个簇中的样本越相似,簇内差异就越小。而距离的衡量方法有多种,令 表示簇中的一个样本点, 表示该簇中的质心,
n
表示每个样本点中的特征数目,
i表示组成点 的每个特征,则该样本点到质心的距离可以由以下距离来度量:
如我们采用欧几里得距离,则一个簇中所有样本点到质心的距离的平方和为:
其中,
m
为一个簇中样本的个数,
j
是每个样本的编号。这个公式被称为
簇内平方和
(
cluster Sum of Square),又叫做
Inertia
。而将一个数据集中的所有簇的簇内平方和相加,就得到了整体平方和(Total Cluster Sum of Square
),又叫做
total inertia
。
Total Inertia
越小,代表着每个簇内样本越相似,聚类的效果就越好。
因此
KMeans
追求的是,求解能够让
Inertia
最小化的质心。实际上,在质心不断变化不断迭代的过程中,总体平方和是越来越小的。我们可以使用数学来证明,当整体平方和最小的时候,质心就不再发生变化了。如此,
K-Means的求解过程,就变成了一个最优化问题。
这是我们在这个课程中第二次遇见最优化问题,即需要将某个指标最小化来求解模型中的一部分信息。记得我们在逻辑回归中式怎么做的吗?我们在一个固定的方程中最小化损失函数来求解模型的参数向量 ,并且基于参数向量 的存在去使用模型。而在
KMeans
中,我们在一个固定的簇数K下,最小化总体平方和来求解最佳质心,并基于质心的存在去进行聚类。两个过程十分相似,并且,整体距离平方和的最小值其实可以使用梯度下降来求解。因此,有许多博客和教材都这样写道:簇内平方和
/
整体平方和是
KMeans
的损失函数。
解惑:
Kmeans
有损失函数吗?
记得我们在逻辑回归中曾有这样的结论:损失函数本质是用来衡量模型的拟合效果的,只有有着求解参数需求的算法,才会有损失函数。
Kmeans不求解什么参数,它的模型本质也没有在拟合数据,而是在对数据进行一种探索。所以如果你去问大多数数据挖掘工程师,甚至是算法工程师,他们可能会告诉你说,
K-Means不存在什么损失函数,
Inertia
更像是
Kmeans
的模型评估指标,而非损失函数。
但我们类比过了
Kmeans
中的
Inertia和逻辑回归中的损失函数的功能,我们发现它们确实非常相似。所以,从
“
求解模型中的某种信息,用于后续模型的使用
“
这样的功能来看,我们可以认为
Inertia
是
Kmeans中的损失函数,虽然这种说法并不严谨。
对比来看,在决策树中,我们有衡量分类效果的指标准确度accuracy,准确度所对应的损失叫做泛化误差,但我们不能通过最小化泛化误差来求解某个模型中需要的信息,我们只是希望模型的效果上表现出来的泛化误差很小。因此决策树,
KNN
等算法,是绝对没有损失函数的。
大家可以发现,我们的
Inertia是基于欧几里得距离的计算公式得来的。实际上,我们也可以使用其他距离,每个距离都有自己对应的
Inertia
。在过去的经验中,我们总结出不同距离所对应的质心选择方法和
Inertia
,在Kmeans中,只要使用了正确的质心和距离组合,无论使用什么样的距离,都可以达到不错的聚类效果:
而这些组合,都可以由严格的数学证明来推导。在
sklearn当中,我们无法选择使用的距离,只能使用欧式距离。因此,我们也无需去担忧这些距离所搭配的质心选择是如何得来的了。
2.3 KMeans算法的时间复杂度
除了模型本身的效果之外,我们还使用另一种角度来度量算法:算法复杂度。算法的复杂度分为时间复杂度和空间复杂度,时间复杂度是指执行算法所需要的计算工作量,常用大O符号表述;而空间复杂度是指执行这个算法所需要的内存空间。如果一个算法的效果很好,但需要的时间复杂度和空间复杂度都很大,那我们将会权衡算法的效果和所需的计算成本之间,比如我们在降维算法和特征工程那两章中,我们尝试了一个很大的数据集下
KNN和随机森林所需的运行时间,以此来表明我们降维的目的和决心。
和
KNN
一样,
KMeans
算法是一个计算成本很大的算法。在这里,我们介绍
KMeans算法的时间和空间复杂度来加深对
KMeans
的理解。
KMeans
算法的平均复杂度是
O(k*n*T)
,其中
k
是我们的超参数,所需要输入的簇数,
n是整个数据集中的样本量,T
是所需要的迭代次数(相对的,
KNN
的平均复杂度是
O(n)
)。在最坏的情况下,
KMeans的复杂度可以写作