K-means

6.1 聚类算法简介

学习目标

• 知道聚类算法的概念
• 了解聚类算法和分类算法的最大区别

---

1 认识聚类算法

使用不同的聚类准则，产生的聚类结果不同。

1.1 聚类算法在现实中的应用

• 用户画像，广告推荐，Data Segmentation，搜索引擎的流量推荐，恶意流量识别
• 基于位置信息的商业推送，新闻聚类，筛选排序
• 图像分割，降维，识别；离群点检测；信用卡异常消费；发掘相同功能的基因片段

1.2 聚类算法的概念

聚类算法：

一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。

在聚类算法中根据样本之间的相似性，将样本划分到不同的类别中，对于不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。

1.3 聚类算法与分类算法最大的区别

聚类算法是无监督的学习算法，而分类算法属于监督的学习算法。

6.2 聚类算法实现流程

学习目标

• 掌握K-means聚类的实现步骤

---

• k-means其实包含两层内容：
  • K : 初始中心点个数（计划聚类数）
  • means：求中心点到其他数据点距离的平均值

1 k-means聚类步骤

• 1、随机设置K个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，其它的点距离哪个中心点近，就归为哪一类。
• 3、对于属于同一个类的数据，计算平均值作为新的聚类中心点。
• 4、如果计算得出的新中心点与上一次的中心点一样（质心不再移动），那么结束，否则重新进行第二步过程

通过下图解释实现流程：

2 案例练习

• 案例：

• 1、随机设置K个特征空间内的点作为初始的聚类中心（本案例中设置p1和p2）

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（质心不再移动），那么结束，否则重新进行第二步过程【经过判断，需要重复上述步骤，开始新一轮迭代】

5、当每次迭代结果不变时，认为算法收敛，聚类完成，K-Means一定会停下，不可能陷入一直选质心的过程。

---

3 小结

• K-means聚类实现流程

  【掌握】

  • 事先确定常数K，常数K意味着最终的聚类类别数;

  • 随机选定初始点为质心，并通过计算每一个样本与质心之间的相似度(这里为欧式距离)，将样本点归到最相似的类中，

  • 接着，重新计算每个类的质心(即为类中心)，重复这样的过程，直到质心不再改变，

  • 最终就确定了每个样本所属的类别以及每个类的质心。

  • 注意

    :

    • 由于每次都要计算所有的样本与每一个质心之间的相似度，故在大规模的数据集上，K-Means算法的收敛速度比较慢。

6.3模型评估

学习目标

• 知道模型评估中的SSE、“肘”部法、SC系数和CH系数的实现原理

---

1 误差平方和(SSE，残差平方和)：

举例:(下图中数据-0.2, 0.4, -0.8, 1.3, -0.7, 均为真实值和预测值的差)

在k-means中的应用:

公式各部分内容:

上图中: k=2

• SSE随着聚类迭代,其值会越来越小,直到最后趋于稳定:

• 如果质心的初始值选择不好,SSE只会达到一个不怎么好的局部最优解.

2 “肘”方法 (Elbow method) — K值确定

（1）对于n个点的数据集，迭代计算k from 1 to n，每次聚类完成后计算每个点到其所属的簇中心的距离的平方和；

（2）平方和是会逐渐变小的，直到k==n时平方和为0，因为每个点都是它所在的簇中心本身。

（3）在这个平方和变化过程中，会出现一个拐点也即“肘”点，下降率突然变缓时即认为是最佳的k值。

6.4 聚类算法api初步使用

学习目标

• 知道聚类算法API的使用

---

1 api介绍

• sklearn.cluster.KMeans(n_clusters=8)
  • 参数:
    • n_clusters:开始的聚类中心数量
      • 整型，缺省值=8，生成的聚类数，即产生的质心（centroids）数。
  • 方法:
    • estimator.fit(x)
    • estimator.fit_predict(x)
      • 计算聚类中心并预测每个样本属于哪个类别,相当于先调用fit(x),然后再调用predict(x)
    • estimator.label_:模型的预测值
    • estimator.inertia_：sse的值

2 案例

随机创建不同二维数据集作为训练集，并结合k-means算法将其聚类，你可以尝试分别聚类不同数量的簇，并观察聚类效果：（聚类参数n_cluster传值不同，得到的聚类结果不同）

2.1 代码实现

1.创建数据集

import matplotlib.pyplot as plt
#from sklearn.datasets.samples_generator import make_blobs
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans

#KMeans：k-mean算法

#calinski_harabaz_score：值越大，聚类效果越好

#make_blobs： 创建用于聚类的数据集
# X为样本特征，Y为样本簇类别， 共1000个样本，每个样本2个特征，共4个簇，
# 簇中心在[-1,-1], [0,0],[1,1], [2,2]， 簇方差分别为[0.4, 0.2, 0.2, 0.2]
X, y = make_blobs(n_samples=1000, n_features=2, centers=[[-1, -1], [0, 0], [1, 1], [2, 2]],
                  cluster_std=[0.4, 0.2, 0.2, 0.2],
                  random_state=9)

# 数据集可视化
plt.scatter(X[:, 0], X[:, 1], marker='o')
plt.show()

2.使用k-means进行聚类,并使用sse方法评估

model = KMeans(n_clusters=3, random_state=9).fit(X)
# 分别尝试n_cluses=2\3\4,然后查看聚类效果
plt.scatter(X[:, 0], X[:, 1], c=model.labels_)
plt.show()

# 用sse评估的聚类分数
print(model.inertia_)

---

3 小结

• api：sklearn.cluster.KMeans(n_clusters=8)【知道】
  • 参数:
    • n_clusters:开始的聚类中心数量
  • 方法：
    • estimator.fit_predict(x)
      • 计算聚类中心并预测每个样本属于哪个类别,相当于先调用fit(x),然后再调用predict(x)

6.5 案例：探究用户对物品类别的喜好

学习目标

• 应用pca和K-means实现instacart公司的用户对物品类别的喜好细分划分
• 连接：https://www.kaggle.com/competitions/instacart-market-basket-analysis/data

---

数据如下：

• order_products__prior.csv：订单与商品信息
  • 字段：order_id, product_id, add_to_cart_order, reordered
• products.csv：商品信息
  • 字段：product_id, product_name, aisle_id, department_id
• orders.csv：用户的订单信息
  • 字段：order_id,user_id,eval_set,order_number,….
• aisles.csv：商品所属具体物品类别
  • 字段： aisle_id, aisle

1 需求

预测出用户下次想购买什么商品？

2 分析

• 1.获取数据
• 2.数据基本处理
  • 2.1 合并表格
  • 2.2 交叉表合并
  • 2.3 数据截取
• 3.特征工程 — pca
• 4.机器学习（k-means）
• 5.模型评估(确定k值)

3 完整代码

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

• 1.获取数据

order_product = 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")

• 2.数据基本处理

  • 2.1 合并表格

  # 2.1 合并表格
  table1 = pd.merge(order_product, products, on="product_id")#使用内连接，连接两张表，只返回两个表中联结字段相等的数据
  table2 = pd.merge(table1, orders, on="order_id")
  table = pd.merge(table2, aisles, on="aisle_id")
  

  • 2.2 交叉表合并

  table = pd.crosstab(table["user_id"], table["aisle"])
  #crosstab:交叉表，第一个是列明，第二个是行名，表示计算一列数据对于另外一列数据的分组个数（统计个数）
  #该交叉表表示用户购买的134种类别的个数。
  

  • 2.3 数据截取

  data = table[:5000]#这个是因为电脑内存小，不是技巧
  

• 3.特征工程 — pca

transfer = PCA(n_components=0.96)#n_components=0.9保留96%的数据信息，是特征向量对应的特征值所占的比例
data = transfer.fit_transform(data)

• 4.机器学习（k-means）

labels = {}
sse = {}
for k in range(2, 10):
    kmeans = KMeans(n_clusters=k, random_state=22).fit(data)
    label = kmeans.labels_
    labels[k] = label
    sse[k] = kmeans.inertia_

• 5.k值可视化

plt.figure()
plt.plot(list(sse.keys()), list(sse.values()))
plt.xlabel("Number of cluster")
plt.ylabel("SSE")
plt.show()

6.确定k值等于3

kmeans = KMeans(n_clusters=3, random_state=22).fit(data)
label = kmeans.labels_
print(label)

kmeans.labels_
labels[k] = label
sse[k] = kmeans.inertia_

- 5.k值可视化

```python
plt.figure()
plt.plot(list(sse.keys()), list(sse.values()))
plt.xlabel("Number of cluster")
plt.ylabel("SSE")
plt.show()

6.确定k值等于3

kmeans = KMeans(n_clusters=3, random_state=22).fit(data)
label = kmeans.labels_
print(label)