前言：粗略研究完神经网络基础——BP、CNN、RNN、LSTM网络后自己算是松懈了很多，好长的时间都没有坚持再更新博客了。“腐败”生活了这么久，还是要找到自己一点乐趣吧，于是想了一想，决定把《机器学习》的算法研究过得都重新梳理一遍，于是就从无监督学习——聚类开始了
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-

聚类算法主要包括哪些算法？

主要包括：K-means、DBSCAN、Density Peaks聚类（局部密度聚类）、层次聚类、谱聚类。

若按照聚类的方式可划分成三类：第一类是类似于K-means、DBSCAN、Density Peaks聚类（局部密度聚类）的依据密度的聚类方式；
第二种是类似于层次聚类的依据树状结构的聚类方式；
第三种是类似于谱聚类的依据图谱结构的聚类方式。

什么是无监督学习？

无监督学习也是相对于有监督学习来说的，因为现实中遇到的大部分数据都是未标记的样本，要想通过有监督的学习就需要事先人为标注好样本标签，这个成本消耗、过程用时都很巨大，所以无监督学习就是使用无标签的样本找寻数据规律的一种方法
聚类算法就归属于机器学习领域下的无监督学习方法。

–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-

无监督学习的目的是什么呢？

可以从庞大的样本集合中选出一些具有代表性的样本子集加以标注，再用于有监督学习
可以从无类别信息情况下，寻找表达样本集具有的特征

–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-

分类和聚类的区别是什么呢？

对于分类来说，在给定一个数据集，我们是事先已知这个数据集是有多少个种类的。比如一个班级要进行性别分类，我们就下意识清楚分为“男生”、“女生”两个类；该班又转入一个同学A，“男ta”就被分入“男生”类；
而对于聚类来说，给定一个数据集，我们初始并不知道这个数据集包含多少类，我们需要做的就是将该数据集依照某个“指标”，将相似指标的数据归纳在一起，形成不同的类；
分类是一个后续的过程，已知标签数据，再将测试样本分入同标签数据集中；聚类是不知道标签，将“相似指标”的数据强行“撸”在一起，形成各个类。

–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-

一、K-means聚类算法

1.1、K-means 算法思想、算法描述

K——指我们最后聚成的有K个类；means——平均，指我们在做聚类时选用类间平均距离进行计算
K-means 的算法思想：是通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个类做到——类内紧凑，类间独立。
K-means 的算法描述如下图：

1.2、K-means 算法运行图示

这里写图片描述

（a）图：展示出样本集空间中各个数据点的分布情况；
（b）图：给定了两个中心点：红叉叉点、蓝叉叉点；
（c）图：样本集中的数据点，离哪个中心点近，就把数据点分属到哪个类别中；
（d）图：在分属好的类别中依照类内距离的平均值，得到新的中心点——原有中心点就从（c）图中的位置转移到新的中心点位置；
（e）图：在得到新的中心点后，再依据离哪个中心点近，就把数据点分属到哪个类别中的方法，重新划分聚类；直到成（f）图，中心点不再变化，聚类结束。

1.3、举实例使用K-means算法进行聚类

举个栗子：我们有五个样本点a(0,2)、b(0,0)、c(1.5,0)、d(5,0)、e(5,2)，选取前两个样本点a(0,2)、b(0,0)作为初始聚类中心点A、B，开始聚类：

对于点c(1.5,0)，到a点的（欧式）距离为2.5，到b点距离为1.5，所以c点分配给B类；
同例，d点分入B类、e点分入A类；于是更新后得到的新簇：A类={a,e},B类={b,c,d}
每迭代一次都计算一次平均误差：平均误差是等于新簇内的点到原有中心点距离的平方和，例如：
再得到总体的平均误差E=25+27.25=52.25
重新计算新的簇内中心点：A=((0+5)/2,(2+2)/2)=(2.5,2)、B=((0+1.5+5)/3,(0+0+0)/3)=(2.17,0)，重复1、2、3步骤，再得到新的平均误差E=25.62，误差显著减小。由于经过两次迭代后，中心点不再变化，所以停止迭代，聚类结束。

1.4、K-means 算法优缺点

优点：如果样本集是团簇密集状的，K-means聚类方法效果较好
缺点：
- 对于条状、环形状等非团簇状的样本集，聚类效果一般；
- 对于事先给定的K值、初始点敏感，不同K值、初始点可能导致聚类得到结果差异较大；
- 也可能因为初始点分属同一类，导致最后结果陷入局部最小值，无法达到全局最优解。

1.5、K值的选取原则——肘部法则

由于K-means 算法对初选的K值是敏感的，计算平均误差就是为了K值的选取，请看下图：
这里写图片描述

平均误差会随K值的选取而改变，随着K值增大，平均误差会逐渐降低；极限情况下是每个样本点是都是一个类，这时的平均误差E=0，当然这种聚类没有研究的价值。

那么哪个K值是最佳选取的值呢——肘部法则，就是选取斜率变化较大的拐点处定为K值点，这只是一种简单的选取规则，方便简单而且实用。

1.6、K-means聚类程序展示

# -*- coding:utf-8 -*-
# -*- author：zzZ_CMing
# -*- 2018/04/10；14:44
# -*- python3.5

import numpy as np
import matplotlib.pyplot as plt
import sklearn.datasets as ds
import matplotlib.colors
from sklearn.cluster import KMeans

# 随机生成数据
points_number = 3000
centers = 20
data,laber=ds.make_blobs(points_number,centers=centers,random_state=0)

# 创建Figure
fig = plt.figure()
# 用来正常显示中文标签
matplotlib.rcParams['font.sans-serif'] = [u'SimHei']
# 用来正常显示负号
matplotlib.rcParams['axes.unicode_minus'] = False

# 原始点的分布
ax1 = fig.add_subplot(211)
plt.scatter(data[:,0],data[:,1],c=laber)
plt.title(u'原始数据分布')
plt.sca(ax1)

# K-means聚类后
N = 5
model = KMeans(n_clusters = N,init = 'k-means++')
y_pre = model.fit_predict(data)
ax2 = fig.add_subplot(212)
plt.scatter(data[:,0],data[:,1],c=y_pre)
plt.title(u'K-Means聚类')
plt.sca(ax2)

plt.show()

效果展示：
这里写图片描述
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-

系列推荐：

【无监督学习】1：K-means聚类算法原理

聚类算法主要包括哪些算法？

什么是无监督学习？

无监督学习的目的是什么呢？

分类和聚类的区别是什么呢？

一、K-means聚类算法

1.1、K-means 算法思想、算法描述

1.2、K-means 算法运行图示

1.3、举实例使用K-means算法进行聚类

1.4、K-means 算法优缺点

1.5、K值的选取原则——肘部法则

1.6、K-means聚类程序展示

系列推荐：

猜你喜欢