非监督学习的特点
“物以类聚,人以群分”
方法——K-means
【不知道K就通过不断计算轮廓系数,确定最优的k】
步骤:
1、随机设置K个特征空间内的点作为初始的聚类中心
2、对于其他每个点计算到K个中心的距离,未知的点选择最近的一个聚类 中心点作为标记类别 3、接着对着标记的聚类中心之后,重新计算出每个聚类的新中心点(平 均值)
4、如果计算得出的新中心点与原中心点一样,那么结束,否则重新进行 第二步过程
语法:
sklearn.cluster.KMeans
sklearn.cluster.KMeans(n_clusters=8,init=‘k-means++’)
k-means聚类
n_clusters:开始的聚类中心数量
init:初始化方法,默认为'k-means ++’
labels_:默认标记的类型,可以和真实值比较(不是值比较)
性能评估指标
1. 轮廓系数
如果sc_i 小于0,说明a_i 的平均距离大于最近的其他簇。
聚类效果不好 如果sc_i 越大,说明a_i 的平均距离小于最近的其他簇。
聚类效果好 轮廓系数的值是介于 [-1,1] ,越趋近于1代表内聚度和分离度都相对较优
【一般轮廓系数在0以上就不错】
(1)轮廓系数越接近 1: 此时a接近0,样本与自己所在的簇中的样本很相似,并且与其他簇中的样本不相似。
(2)轮廓系数为 0 时: 此时a=b,两个簇中的样本相似度一致,两个簇本应该是一个簇。
(3)轮廓系数为负时:样本点与簇外的样本更相似。
如果一个簇中的大多数样本具有比较高的轮廓系数,则簇会有较高的总轮廓系数,则整个数据集的平均轮廓系数越高,则聚类是合适的。
如果许多样本点具有低轮廓系数甚至负值,则聚类是不合适的,聚类的超参数 K 可能设定得太大或者太小。
2. 簇内平方和(Within-Cluster Sum of Squares, WCSS)
WCSS随着簇的增加而减小,所以可以用于相同数量的簇的情况下的比较,WCSS指的是对所有簇计算其所属数据点与簇的中心之间距离的平方和,并将它们相加得到的值,这个值越小,说明聚类效果越好。簇的重心与簇所属的数据点之间的距离越小,即数据点越在靠近簇的重心的地方聚集,WCSS越小。
K值的确定
除了常用的网格搜索确定超参数K,我们还可以使用Elbow方法【不常用】
随着簇的增加,WCSS会变小,但有时WCSS的变小幅度会从簇的数量为某个值时开始放缓
现实中,往往不会出现明显的‘肘部’,或者说减缓的拐点。
语法:【模型评估api一般都在metrics】
sklearn.metrics.silhouette_score
sklearn.metrics.silhouette_score(X, labels)
计算所有样本的平均轮廓系数
X:特征值
labels:被聚类标记的目标值
特点分析:
采用迭代式算法,直观易懂并且非常实用
缺点:
容易收敛到局部最优解(多次聚类)
需要预先设定簇的数量(k-means++解决)