【火炉炼AI】机器学习020-使用K-means算法对数据进行聚类分析
(本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )
前面的机器学习类文章(编号从010-019)都是关于监督学习,但是从本篇文章开始,炼丹老顽童要开始讲解无监督学习方面,无监督学习是指处理的数据没有任何形式的标记,我们没有对训练数据集进行实现的类别划分,故而相当于抹黑处理,要让机器学习自己找出样本所属的类别,那么机器学习通过什么方式来找出“所属类别”了?这就是聚类算法的作用了。
聚类算法,其核心思想就是中国的“人以类聚,物以群分”,就是机器学习将通过一定的算法来将样本划分类别,使得相互之间相似的样本划分为一个类别,不相似的样本划分为不同的类别中。
K-means算法是最流行的聚类算法之一,这种算法常常利用数据的不同属性将输入数据划分为K组,这种划分是使用最优化的技术实现的,让各组内的数据点与该组中心点的距离平方和最小化。
说起来很抽象,让人感觉云里雾里,那么我们看一个简单的实例吧。
1. 准备数据集
本次所使用的数据集是我前面的文章【火炉炼AI】机器学习010-用朴素贝叶斯分类器解决多分类问题中所采用的数据集,一个具有四种不同类别,两种不同features的小数据集,其加载方法和显示方法如下所示。
# 准备数据集
data_path='E:\PyProjects\DataSet\FireAI/data_multivar.txt'
df=pd.read_csv(data_path,header=None)
# print(df.head())
# print(df.info()) # 查看数据信息,确保没有错误
dataset_X,dataset_y=df.iloc[:,:-1],df.iloc[:,-1]
# print(dataset_X.head())
print(dataset_X.info())
print('-'*100)
print(dataset_y.head())
dataset_X=dataset_X.values
dataset_y=dataset_y.values
# print(dataset_X.shape) # (400, 2)
# print(dataset_y.shape) # (400,)
————————————-输———出——————————–
# 无标签数据集可视化,将第一列feature作为X,第二列feature作为y
def visual_2D_dataset_dist(dataset):
'''将二维数据集dataset显示在散点图中'''
assert dataset.shape[1]==2,'only support dataset with 2 features'
plt.figure()
X=dataset[:,0]
Y=dataset[:,1]
plt.scatter(X,Y,marker='v',c='g',label='dataset')
X_min,X_max=np.min(X)-1,np.max(X)+1
Y_min,Y_max=np.min(Y)-1,np.max(Y)+1
plt.title('dataset distribution')
plt.xlim(X_min,X_max)
plt.ylim(Y_min,Y_max)
plt.xlabel('feature_0')
plt.ylabel('feature_1')
plt.legend()
visual_2D_dataset_dist(dataset_X)
得到的结果如下:
########################小**********结###############################
1. 本数据集的加载很简单,只需用Pandas就可以直接加载,且不需要做其他处理。
2. 此处需要注意,无标签数据集的二维平面可视化,不能使用label数据,故而此处的可视化函数和我以往文章中的可视化函数是不一样的,此处需要额外注意。
3. 从二维平面散点图中可以看出,这个数据集大概可以分为4个不同的类别,即数据都分布在四个族群里,这就是我们可以用K-mean算法的基础。
#################################################################
2. 构建K-means算法
构建K-means算法的过程很简单,和其他的SVM,随机森林算法的构建方式一样,如下代码:
# 定义一个k-means对象
from sklearn.cluster import KMeans
kmeans=KMeans(init='k-means++',n_clusters=4,n_init=10)
# 这几个参数是初始化设定的,其中n_clusters是从二维散点图中看出大概有4个族群
kmeans.fit(dataset_X)
————————————-输———出——————————–
KMeans(algorithm=’auto’, copy_x=True, init=’k-means++’, max_iter=300,
n_clusters=4, n_init=10, n_jobs=1, precompute_distances=’auto’,
random_state=None, tol=0.0001, verbose=0)
——————————————–完————————————-
虽然此处我们定义了一个KMeans对象,且使用我们的无标签数据集进行了训练,可是训练结果怎么样了?我们怎么知道k-means算法是否正确的划分了不同类别?
所以我们需要一个可视化的结果,就像前面文章中提到的SVM分类结果图一样,此处我们定义了一个专门用于可视化K-means聚类结果的函数,并用该函数来查看此处聚类的效果。代码如下:
def visual_kmeans_effect(k_means,dataset):
assert dataset.shape[1]==2,'only support dataset with 2 features'
X=dataset[:,0]
Y=dataset[:,1]
X_min,X_max=np.min(X)-1,np.max(X)+1
Y_min,Y_max=np.min(Y)-1,np.max(Y)+1
X_values,Y_values=np.meshgrid(np.arange(X_min,X_max,0.01),
np.arange(Y_min,Y_max,0.01))
# 预测网格点的标记
predict_labels=k_means.predict(np.c_[X_values.ravel(),Y_values.ravel()])
predict_labels=predict_labels.reshape(X_values.shape)
plt.figure()
plt.imshow(predict_labels,interpolation='nearest',
extent=(X_values.min(),X_values.max(),
Y_values.min(),Y_values.max()),
cmap=plt.cm.Paired,
aspect='auto',
origin='lower')
# 将数据集绘制到图表中
plt.scatter(X,Y,marker='v',facecolors='none',edgecolors='k',s=30)
# 将中心点回执到图中
centroids=k_means.cluster_centers_
plt.scatter(centroids[:,0],centroids[:,1],marker='o',
s=100,linewidths=2,color='k',zorder=5,facecolors='b')
plt.title('K-Means effect graph')
plt.xlim(X_min,X_max)
plt.ylim(Y_min,Y_max)
plt.xlabel('feature_0')
plt.ylabel('feature_1')
plt.show()
visual_kmeans_effect(kmeans,dataset_X)
########################小**********结###############################
1. 定义K-means聚类算法的方法很简单,只需要从sklearn.cluster中导入KMeans,并定义一个KMeans对象即可,直接用fit()函数可以直接训练。
2. 此处使用k-means聚类算法对数据进行了聚类分析,可以使用函数visual_kmeans_effect()来直接查看聚类后的效果图。
3. 虽然可以直观看到效果图,但效果图还是难以量化k-means聚类算法的准确度,这些内容将在后续文章中讲解。
#################################################################
注:本部分代码已经全部上传到(我的github)上,欢迎下载。
参考资料:
1, Python机器学习经典实例,Prateek Joshi著,陶俊杰,陈小莉译