我们可以通过对一系列曲目进行聚类来创建歌曲的自动播放列表,我们可以展示如何自动创建相似歌曲的子组。通过我们现有的歌曲知识,我们能够验证该聚类练习的结果。
但是,如果我们对数据没有这种先验知识怎么办?如果数据甚至都没有被标记怎么办(在许多实际的聚类案例中就是这种情况)?即使是这样,如果这些标签最初对我们没有意义,该怎么办?有很多我从未听说过的艺术家,如果我们要对数千首曲目进行分组,那么手动验证每个集群显然是不切实际的。在这些情况下,我们需要某种数学方法来衡量聚类的'成功'程度。
为了探索如何做到这一点,我们再次转向Spotify的API。假设我们从四个完全不同的播放列表中选取歌曲:Rap UK
Smooth Jazz
Classical Essentials
Essential K-Pop
如果我们将它们合并到一个数据集中,则无监督的机器学习算法应该能够将其歌曲分组为四个群集,这些群集在某种程度上类似于原始的四个播放列表。
在开始之前,我们确实可能需要检查一下我们的假设,即来自这些不同播放列表的歌曲确实'与众不同'。当然,在单个图表上同时可视化两个以上的特征是一项挑战。但是,如果我们绘制所有功能的散布矩阵,并按播放列表进行颜色编码,则可以看到有很多度量组合可以证明每种流派的独特特征。
我们在上中看到,在Scikit-Learn中运行聚类算法非常简单:
#We scale the data to ensure that#feature units don't impact distancesfrom sklearn.preprocessing import StandardScalersclaer = StandardScaler()X_scaled = scaler.fit_transform(X)#This scaled data can then be fed into the HAC algorithmfrom sklearn.cluster import AgglomerativeClustering#We can tell it how many clusters we're aiming forag