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

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

聚类算法在现实中的应用

粗聚类

细聚类

分类

聚类算法是无监督的学习算法【无目标值】，而分类算法属于监督的学习算法【有目标值】

聚类与分类最大的区别

简介

sklearn.cluster.KMeans(n_clusters=8)

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

参数

estimator.fit(x)estimator.predict(x)estimator.fit_predict(x)  【相当于先调用fit(x)，然后再调用predict(x)】

方法

API

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（质心不再移动），那么结束，否则重新进行第二步过程

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

实现流程

每一个类别中点到中心点的误差平方和 再求和(累加所有类别)

SSE随着聚类迭代，其值会越来越小，直到最后趋于稳定

SSE （误差平方和）

肘”方法主要是用于确定聚类算法中的K值

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（回报率大）。

Elbow method (\"肘\"方法)

font color=\"#e74f4c\

Silhouette Coefficient（轮廓系数）

CH追求的是：类别内部数据的协方差越小越好，类别之间的协方差越大越好CH需要达到的目的： 用尽量少的类别聚类尽量多的样本，同时获得较好的聚类效果CH值越高则说明聚类效果越好

Calinski-Harabasz Index （CH系数）

评估

原理简单（靠近中心点），实现容易

聚类效果中上（依赖K的选择）

N为样本点个数，K为中心点个数，I为迭代次数

空间复杂度 ，时间复杂度  

优点

对离群点，噪声敏感 （中心点易偏移）

很难发现大小差别很大的簇及进行增量计算

结果不一定是全局最优，只能保证局部最优（与K的个数及初值选取有关）

缺点

K-means 优缺点

下一个聚类中心点必须在外圆的外部

做法

-  （质心点的距离不会太近）Kmeans对噪声抗干扰较弱，通过Canopy对比，将较小的NumPoint的Cluster直接去掉有利于抗干扰

-  Canopy选择出来的每个Canopy的centerPoint作为K会更精确。

-  只是针对每个Canopy的内做Kmeans聚类，减少相似计算的数量

算法中 T1、T2的确定问题 ，依旧可能落入局部最优解

Canopy 算法配合初始聚类

倾向于选择距离比较远的点，作为下一个聚类中心点（选择的质心尽可能的分散）

如果第一个质心选择在圆心，那么最优可能选择到的下一个点在P(A)这个区域

K-means++

- 所有点作为一个簇

- 将该簇一分为二

- 选择能最大限度降低聚类代价函数（也就是误差平方和 SSE）的簇划分为两个簇。

- 以此进行下去，直到簇的数目等于用户给定的数目 k 为止。

因为聚类的误差平方和能够衡量聚类性能，该值越小表示数据点越接近于他们的质心，聚类效果就越好。所以需要对误差平方和最大的簇进行再一次划分，因为误差平方和越大，表示该簇聚类效果越不好，越有可能是多个簇被当成了一个簇，所以我们首先需要对这个簇进行划分

二分K均值算法可以加速K-means算法的执行速度，因为它的相似度计算少了并且不受初始化问题的影响，因为这里不存在随机点的选取，且每一步都保证了误差最小

二分 K-means

K-medoids和K-means是有区别的，不一样的地方在于中心点的选取

K-means中，将中心点取为当前cluster中所有数据点的平均值，对异常点很敏感（可能是不存在的点）!K-medoids中，将从当前cluster 中选取到其他所有（当前cluster中的）点的距离之和最小的点作为中心点

- 总体 n 个样本点中任意选取 k 个点作为medoids

- 按照与medoids最近的原则，将剩余的 n-k 个点分配到当前最佳的medoids代表的类中

- 对于第 i 个类中除对应medoids点外的所有其他点，按顺序计算当其为新的medoids时，代价函数的值，遍历所有可能，选取代价函数最小时对应的点作为新的medoids

- 重复2-3的过程，直到所有的medoids点不再发生变化或已达到设定的最大迭代次数

-  产出最终确定的 k个类

算法流程

k-medoids对噪声鲁棒性好

k-medoids只能对小样本起作用，样本大，速度就太慢了，当样本多的时候，少数几个噪音对k-means的质心影响也没有想象中的那么重，所以k-means的应用明显比k-medoids多

K-medoids（k-中心聚类算法）

kernel k-means实际上，就是将每个样本进行一个投射到高维空间的处理，然后再将处理后的数据使用普通的k-means算法思想进行聚类

Kernel k-means

动态聚类，类别 k 数目随着聚类过程而变化

“合并”：（当聚类结果某一类中样本数太少，或两个类间的距离太近时）“分裂”：（当聚类结果中某一类的类内方差太大，将该类进行分裂）

ISODATA

适合大数据的聚类算法（样本数量 > 1w）

Mini Batch KMeans使用了Mini Batch（分批处理）的方法对数据点之间的距离进行计算

Mini Batch计算过程中不必使用所有的数据样本，而是从不同类别的样本中抽取一部分样本来代表各自类型进行计算。由于计算样本量少，所以会相应的减少运行时间，但另一方面抽样也必然会带来准确度的下降

更新质心

直到到所有样本都聚类完成了为止

做法

与Kmeans相比，数据的更新在每一个小的样本集上。对于每一个小批量，通过计算平均值得到更新质心，并把小批量里的数据分配给该质心，随着迭代次数的增加，这些质心的变化是逐渐减小的，直到质心稳定或者达到指定的迭代次数，停止计算

Mini Batch K-Means

算法优化

指在某些限定条件下，降低随机变量(特征)个数，得到一组“不相关”主变量的过程

降低随机变量的个数

相对湿度与降雨量之间的相关

相关特征(correlated feature)

定义

数据中包含冗余或无关变量（或称特征、属性、指标等），旨在从原有特征中找出主要特征。

主要探究特征本身特点、特征与特征和目标值之间关联

删除低方差的一些特征，再结合方差的大小来考虑这个方式的角度特征方差小：某个特征大多样本的值比较相近特征方差大：某个特征很多样本的值都有差别

sklearn.feature_selection.VarianceThreshold(threshold = 0.0)

训练集差异低于threshold的特征将被删除。默认值是保留所有非零方差特征，即删除所有样本中具有相同值的特征

Variance.fit_transform(X)

方差选择法（低方差特征过滤）

思路

主要作用： 反映变量之间相关关系密切程度的统计指标

公式

返回值: 第一个值就是皮尔逊相关系数

API: font color=\"#ed9745\

结论:

Pearson Correlation Coefficient 皮尔逊相关系数

n： 为等级个数

d： 为二列成对变量的等级差数

 例子

与皮尔逊相关系数的性质是一样的

API: font color=\"#ed9745\

斯皮尔曼相关系数比皮尔逊相关系数应用更加广泛

Spearman’s rank coefficient of correlation 斯皮尔曼相关系数

相关系数

Filter（过滤式）

算法自动选择特征（特征与目标值之间的关联）

决策树：信息熵、信息增益

正则化：L1、L2

深度学习：卷积等

Embedded（嵌入式）

特征选择

高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量

是数据维数压缩，尽可能降低原数据的维数（复杂度），损失少量信息

那么更好的理解这个过程呢？

作用

sklearn.decomposition.PCA(n_components=None)

将数据分解为较低维数空间

小数：表示保留百分之多少的信息

整数：减少到多少特征

n_components

返回值：转换后指定维度的array

主成分分析 PCA

特征降维

1. 加载数据

2. 数据基本处理

3. 特征降维-(主成分分析PCA)

4. 机器学习(模型训练-聚类KMeans)

5. 模型评估: 轮廓系数

步骤

案例—探究用户对物品类别的喜好

聚类算法