Python无监督学习的几种聚类算法包括K-Means聚类,分层聚类等详细概述

无监督学习是机器学习技术中的一类，用于发现数据中的模式。本文介绍用Python进行无监督学习的几种聚类算法，包括K-Means聚类、分层聚类、t-SNE聚类、DBSCAN聚类等。

无监督算法的数据没有标注，这意味着只提供输入变量（X），没有相应的输出变量。在无监督学习中，算法自己去发现数据中有意义的结构。

Facebook首席AI科学家Yan Lecun解释说，无监督学习——即教机器自己学习，不需要明确地告诉它们所做的每一件事情是对还是错，是“真正的”AI的关键。

监督学习 VS 无监督学习

在监督学习中，系统试图从之前给出的例子中学习。反之，在无监督学习中，系统试图从给出的例子中直接找到模式。因此，如果数据集有标记，那么它是有监督问题，如果数据集无标记，那么它是一个无监督问题。

如上图，左边是监督学习的例子; 我们使用回归技术来寻找特征之间的最佳拟合线。而在无监督学习中，输入是基于特征分离的，预测则取决于它属于哪个聚类（cluster）。

重要术语

特征（Feature）：用于进行预测的输入变量。

预测（Predictions）：当提供一个输入示例时，模型的输出。

示例（Example）：数据集的一行。一个示例包含一个或多个特征，可能有标签。

标签（Label）：特征的结果。

为无监督学习做准备

在本文中，我们使用Iris数据集（鸢尾花卉数据集）来进行我们的第一次预测。该数据集包含150条记录的一组数据，有5个属性——花瓣长度，花瓣宽度，萼片长度，萼片宽度和类别。三个类别分别是Iris Setosa（山鸢尾），Iris Virginica（维吉尼亚鸢尾）和Iris Versicolor（变色鸢尾）。对于我们的无监督算法，我们给出鸢尾花的这四个特征，并预测它属于哪一类。我们在Python中使用sklearn Library来加载Iris数据集，并使用matplotlib来进行数据可视化。以下是代码片段。

紫罗兰色：山鸢尾，绿色：维吉尼亚鸢尾，黄色：变色鸢尾

聚类（Clustering）

在聚类中，数据被分成几个组。简单地说，其目的是将具有相似特征的组分开，并将它们组成聚类。

可视化示例：

在上图中，左边的图像是未完成分类的原始数据，右边的图像是聚类的（根据数据的特征对数据进行分类）。当给出要预测的输入时，就会根据它的特征在它所属的聚类中进行检查，并做出预测。

Python中的K-Means聚类

K-Means是一种迭代聚类算法，它的目的是在每次迭代中找到局部最大值。首先，选择所需数量的聚类。由于我们已经知道涉及3个类，因此我们通过将参数“n_clusters”传递到K-Means模型中，将数据分组为3个类。

现在，随机将三个点（输入）分成三个聚类。基于每个点之间的质心距离，下一个给定的输入被分为所需的聚类。然后，重新计算所有聚类的质心。

聚类的每个质心是特征值的集合，定义生成的组。检查质心特征权重可以定性地解释每个聚类代表什么类型的组。

我们从sklearn库导入K-Means模型，拟合特征并进行预测。

Python中的K Means实现：

分层聚类

顾名思义，分层聚类是一种构建聚类层次结构的算法。该算法从分配给它们自己的一个cluster的所有数据开始，然后将最近的两个cluster加入同一个cluster。最后，当只剩下一个cluster时，算法结束。

分层聚类的完成可以使用树状图来表示。下面是一个分层聚类的例子。 数据集可以在这里找到：https://raw.githubusercontent.com/vihar/unsupervised-learning-with-python/master/seeds-less-rows.csv

Python中的分层聚类实现：

K Means聚类与分层聚类的区别

分层聚类不能很好地处理大数据，但K Means聚类可以。因为K Means的时间复杂度是线性的，即O（n），而分层聚类的时间复杂度是二次的，即O（n2）。

在K Means聚类中，当我们从聚类的任意选择开始时，多次运行算法产生的结果可能会有所不同。不过结果可以在分层聚类中重现。

当聚类的形状是超球形时（如2D中的圆形，3D中的球形），K Means聚类更好。

K-Means聚类不允许嘈杂的数据，而在分层聚类中，可以直接使用嘈杂的数据集进行聚类。

t-SNE聚类

t-SNE聚类是用于可视化的无监督学习方法之一。t-SNE表示t分布的随机近邻嵌入。它将高维空间映射到可以可视化的2或3维空间。具体而言，它通过二维点或三维点对每个高维对象进行建模，使得相似的对象由附近的点建模，而不相似的对象很大概率由远离的点建模。

Python中的t-SNE聚类实现，数据集是Iris数据集：

这里Iris数据集具有四个特征（4d），它被变换并以二维图形表示。类似地，t-SNE模型可以应用于具有n个特征的数据集。

DBSCAN聚类

DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）是一种流行的聚类算法，用作预测分析中 K-means的替代。它不要求输入聚类的数值才能运行。但作为交换，你必须调整其他两个参数。

scikit-learn实现提供了eps和min_samples参数的默认值，但这些参数通常需要调整。eps参数是在同一邻域中考虑的两个数据点之间的最大距离。min_samples参数是被认为是聚类的邻域中的数据点的最小量。

Python中的DBSCAN聚类：