机器学习 day06(二)

一. 聚类的性能评测

1. 导入digits数据集,分割训练集和测试集

这个数据集是随便导入的,也可以选择其他数据集

标签 target 有10个分类

2. 导入聚类算法,训练,预测

1. 导入聚类算法,将样本集划分为10个聚类
   
   此时数据有标签类别，评测的时候可以用聚类划分和真实的类别之间的吻合程度

2. 训练
   

3. 预测
   K-means还提供了预测机制，预测基于前面的训练，把测试集样本依次带入，查看这个些样本分别落在哪一个聚类中，然后把响应聚类标号给对应的样本
   

3. ARI指标

聚类和类别之间的吻合程度，我们称为ARI指标

修改 参数n_cluster可改变ARI指标

1. n_cluster=9
   
   可以发现ARI指标变小了
   
2. n_cluster=11
   
   还是比 n_cluster=10时ARI指标更小
   所以 n_cluster=10时,此时算法的ARI指标最佳

4. 轮廓系数

聚类大部分情况下处理的无标签的数据，评测的时候不能用ARI；我们可以用一个指标，既能兼顾到聚类内部的聚合程度，又能兼顾到聚类之间的离散程度，这个指标就是轮廓系数。
轮廓系数越大，则聚类划分越合理

查看轮廓系数

这两个轮廓系数都挺小的,但是,如果n_cluster≠10,这个轮廓系数更差

5. 用轮廓系数来决定聚类个数

1. 导入两组1~100的随机数
   
2. 定义一个列表，存储若干个聚类K的可取值,把特征组合成样本
   
3. 求出每一次划分的轮廓系数
   
   查看图像
   
4. 作出轮廓系数与k值之间的关系图

这两个随机数组,当聚类数为9时,轮廓系数最佳

二. 聚类实践与常见错误

导包，使用make_blobs创建样本点

1、数据偏差太大

1. 创建一个样本,指定这些样本点的特征数为2,样本数为150,类别数为3,随机程度为5

2. 用聚类算法将上面的样本点分成3类
   
   从图像对比,可以明显发现数据偏差大

2、内部标准差太大

1. 创建一个样本,指定这些样本点的特征数为2,样本数为150,类别数为3,聚类中心点的坐标为[0.5,2,10]

2. 用聚类算法将上面的样本点分成3类
   
   由于聚类中心点的坐标的限制,内部标准差太大导致聚类的偏差

3、样本数量差别太大

1. 创建一个样本,指定这些样本点的特征数为2,样本数为1500,类别数为3,随机程度为0

2) 用聚类算法将上面的样本点分成3类

由于样本数量的差距,导致聚类的偏差