非监督学习

非监督学习

主要方法：k-means

k-means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.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(以新中心点作为聚类中心)

k-means API：sklearn.cluster.KMeans

语法：

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）

Kmeans性能评估指标

Kmeans性能评估指标API：sklearn.metrics.silhouette_score

语法：

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

Kmeans总结

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)

案例：k-means对Instacart Market用户聚类

数据链接：https://download.csdn.net/download/qq_38293798/12659940

import pandas as pd
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
from sklearn.metrics import silhouette_score

# 读取四张表的数据----数据与.py文件在同一目录下
prior = pd.read_csv("order_products__prior.csv")
products = pd.read_csv("products.csv")
orders = pd.read_csv("orders.csv")
aisles = pd.read_csv("aisles.csv")
# 合并为一张表
mt = pd.merge(prior,products,on=['product_id','product_id'])
mt = pd.merge(mt,orders,on=['order_id','order_id'])
mt = pd.merge(mt,aisles,on=['aisle_id','aisle_id'])
# 交叉表（特殊的分组工具）
cross = pd.crosstab(mt['user_id'],mt['aisle'])
# 主成分分析
pca = PCA(n_components=0.9)
data = pca.fit_transform(cross)
# 减少样本数量
x = data[:500]
# 假设用户一共分为4个类别
km = KMeans(n_clusters=4)
km.fit(x)
predict = km.predict(x)
# 显示结果
colored = ['orange', 'green', 'blue', 'red']
colr = [colored[i] for i in predict]
plt.scatter(x[:, 1], x[:, 20], color=colr)
plt.show()
# 评判聚类效果--轮廓系数
print(silhouette_score(x,predict))

结果为：