介绍
-
首先要知道为什么要聚类？
- 简来说：就是没有目标值，自己创造目标值
- 复杂说：通常聚类是做在分类之前的，当数据集没有目标值的时候，就只能通过聚类的方式，将一定量的样本化为一类，另外一部分样本再化为一类，然后这些样本所属于的类别就作为其样本的目标值，之后便在做常规的分类预测。
-
聚类算法之Kmeans的步骤（过程）：
ps:先假设此时有1000个样本（点），要将其划分为3个类别（k=3）- 1、首先，就可以随机的在数据集中抽取三个点，当作三个类别的中心点（k1,k2，k3）
- 2、然后，计算出其余的点分别到这三个中心点的距离(欧式距离)，即：每一个样本有了三个距离(a,b,c),从中选出距离最近的一个点作为自己的标记，如此便会形成三个族群。
- 3、分别计算这三个族群的平均值点。即：设族群单个点的坐标为（x,y）,那么平均值点为((x1+…+xn)/n,y1+…+yn)/n),
- 4、然后拿三个平均值点和之前拟定的三个中心点做比较，如果全部相同，结束聚类，确定每个样本所属类别；如果不是全部相同，那么就把三个平均值点当作新的中心点，然后重复第二步。
- 补充：有关“距离(欧氏距离)”、“点”的概念可以参考：易懂：k-近邻算法
-
那样怎样才能说明聚类算法给样本划分类别划分的好？
- 聚类算法的性能评估指标（轮廓系数）：
- 在公示介绍之前，先看一个图（抽象的性能评估指标示意图）：
1、所谓外部距离最大化：指的是分类与分类之间相隔的距离(bi)越大越好。
2、所谓内部距离最小化：指的是每个分类中每个样本间的聚距离(ai)越小越好。
- 公式介绍：
0、假设分为了3类：A、B、C
1、每一个样本都有自己的轮廓系数。
2、A类中的某一个样本(a)到其它A的所有样本的距离的平均值记作 ai。
3、分别计算a到B类和C类所有样本的距离的平均值b1和b2,取两者最小的值bi。
4、此时即可：计算a的轮廓系数。
5、结合上图，从最优情况考虑：当bi >> ai 时 sci=1；如果最差情况考虑：当 bi << ai 时 sci = -1。
6、所以每个样本的轮廓系数都应该在-1到1之间。
7、于是乎：所有样本的轮廓系数的平均值越接近1的时候说明聚类的越好（其实只要超过了0，即使是0.1都已经很不错了,而且基本上超过不了0.7）。
8、可以通过调整所要分的类别数量的改变，来提高轮廓系数的平均值。
- 聚类算法的性能评估指标（轮廓系数）：
关于聚类算法-KMeans算法的小总结：
- Kmeans优点：采用迭代式算法，直观易懂，非常实用。
- Kmeans缺点：选点可能选的不具有普遍性（3个点选的离太近了）（sklearn已经把这个问题解决了，使用的是多次随机选点聚类，取最优解（轮廓系数平均值最优）的方案）
相关API介绍：
- python实现聚类算法之Kmeans算法API:sklearn.cluster.KMeans(n_clusters=8,init=‘k-means++’)
- 重要参数介绍：n_clusters：开始的聚类中心数量（就是多少个类别）；init：初始化方法，默认为’k-means ++’。
- python实现聚类算法的评估指标轮廓系数API: sklearn.metrics.silhouette_score(X, labels)
- 重要参数介绍：X：特征值（也就是参与聚类的所有样本（不可去掉某个特征值传入））；labels：被聚类标记的目标值(也就是每个样本属于那个分类簇的标记值)。
案例
