非监督学习:K-means
假设通过上面的图片人物穿着,来判断一个人的类别。把有相近的特征的人分为一个类别。
K-means 聚类
先将数据进行划分,全部为蓝色,然后通过聚类划分为三个类别。
理解k-means:
图:假设这个数据有两个特征x1,x2,对这一群数据进行聚类,这时候就有一个K值(把数据划分为几个类别),根据K值进行聚类。
步骤:
1.随机在数据当中抽取三个样本,当做三个类别的中心点(k1,k2,k3)
2.计算其余的点分别到这三个中心点的距离,每一个样本有三个距离(a,b,c),从中选出距离最近的一个点作为自己的标记点形成三个族群。
3.分别计算这三个族群的平均值,把三个平均值与之前的旧中心点进行比较。如果相同:结束聚类。如果不相同:把这三个平均值当做新的中心点,重复第二步骤。
总结:k-means
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
k-means API: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)
聚类在分类之前做
这个代码在我之前的pca降维里面有讲解。
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
prior = pd.read_csv("./data/instacart/order_products__prior.csv")
products = pd.read_csv("./data/instacart/products.csv")
orders = pd.read_csv("./data/instacart/orders.csv")
aisles = pd.read_csv("./data/instacart/aisles.csv")
# 合并四张表到一张表 (用户-物品类别)
_mg = pd.merge(prior, products, on=['product_id', 'product_id'])
_mg = pd.merge(_mg, orders, on=['order_id', 'order_id'])
mt = pd.merge(_mg, aisles, on=['aisle_id', 'aisle_id'])
#显示合并后的前十条
mt.head(10)
# 交叉表(特殊的分组工具)
#列就是用户id 行就是物品
cross = pd.crosstab(mt['user_id'], mt['aisle'])
# 进行主成分分析
pca = PCA(n_components=0.9)
data = pca.fit_transform(cross)
#减少样本数量
x=data[:500]
#假设用户一共分为四个类别
km=KMeans(n_clusters=4)
km.fit(x)
#对样本进行预测
predict=km.predict(x)
这里已经进行了聚类,将一些样本聚类为0,1,2,3
通过matplotlib显示聚类散点图像
#显示聚类结果
plt.figure(figsize=(10,10))
#建立四个颜色的列表
color=['orange','green','blue','purple']
#建立颜色类别的对应
colored=[color[i]for i in predict]
plt.scatter(x[:,1],x[:,20],color=colored)
plt.xlabel("第一个特征")
plt.ylabel("第20个特征")
Kmeans性能评估指标:
注:对于每个点i 为已聚类数据中的样本 ,b_i 为i 到其它族群的所有样本的平均
距离,a_i 为i 到本身簇的距离平均值
最终计算出所有的样本点的轮廓系数平均值
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
外部距离最大化,内部距离最小化
轮廓系数:对于每⼀个样本
1.计算蓝1到⾃身类别的点距离的平均值ai
2.计算蓝1分别到红⾊类别,绿⾊类别所有的点的距离,求出平均值
b1, b2,取其中最⼩的值当做b_i
考虑一个极端:
b_i>>a_i: 1 完美
a_i>> b_i: -1 最差
所以:蓝1:轮廓系数 [-1, 1]
所以轮廓系数越靠近1效果越好
Kmeans性能评估指标API
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
from sklearn.metrics import silhouette_score
#评判聚类效果,轮廓系数
silhouette_score(x,predict)
k-means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)