【火爐煉AI】機器學習020-使用K-means算法對數據進行聚類分析

【火爐煉AI】機器學習020-使用K-means算法對數據進行聚類分析

(本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )

前面的機器學習類文章（編號從010-019）都是關於監督學習，可是從本篇文章開始，煉丹老頑童要開始講解無監督學習方面，無監督學習是指處理的數據沒有任何形式的標記，咱們沒有對訓練數據集進行實現的類別劃分，故而至關於抹黑處理，要讓機器學習本身找出樣本所屬的類別，那麼機器學習經過什麼方式來找出「所屬類別」了？這就是聚類算法的做用了。

聚類算法，其核心思想就是中國的「人以類聚，物以羣分」，就是機器學習將經過必定的算法來將樣本劃分類別，使得相互之間類似的樣本劃分爲一個類別，不類似的樣本劃分爲不一樣的類別中。

K-means算法是最流行的聚類算法之一，這種算法經常利用數據的不一樣屬性將輸入數據劃分爲K組，這種劃分是使用最優化的技術實現的，讓各組內的數據點與該組中心點的距離平方和最小化。

提及來很抽象，讓人感受雲裏霧裏，那麼咱們看一個簡單的實例吧。

1. 準備數據集

本次所使用的數據集是我前面的文章【火爐煉AI】機器學習010-用樸素貝葉斯分類器解決多分類問題中所採用的數據集，一個具備四種不一樣類別，兩種不一樣features的小數據集，其加載方法和顯示方法以下所示。

# 準備數據集
data_path='E:\PyProjects\DataSet\FireAI/data_multivar.txt'
df=pd.read_csv(data_path,header=None)
# print(df.head())
# print(df.info()) # 查看數據信息，確保沒有錯誤
dataset_X,dataset_y=df.iloc[:,:-1],df.iloc[:,-1]
# print(dataset_X.head())
print(dataset_X.info())
print('-'*100)
print(dataset_y.head())
dataset_X=dataset_X.values
dataset_y=dataset_y.values
# print(dataset_X.shape) # (400, 2)
# print(dataset_y.shape) # (400,)
複製代碼

-------------------------------------輸---------出--------------------

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 400 entries, 0 to 399
Data columns (total 2 columns):
0 400 non-null float64
1 400 non-null float64
dtypes: float64(2)
memory usage: 6.3 KB
None

--------------------------------------------完------------------------

代表結果數據集已經正確地加載到內存中，且每個features中都沒有Null值，咱們無需作進一步的缺失值處理。

下面將這個數據集進行2D可視化，以下是可視化的代碼：

# 無標籤數據集可視化，將第一列feature做爲X，第二列feature做爲y
def visual_2D_dataset_dist(dataset):
    '''將二維數據集dataset顯示在散點圖中'''
    assert dataset.shape[1]==2,'only support dataset with 2 features'
    plt.figure()
    X=dataset[:,0]
    Y=dataset[:,1]
    plt.scatter(X,Y,marker='v',c='g',label='dataset')
    
    X_min,X_max=np.min(X)-1,np.max(X)+1
    Y_min,Y_max=np.min(Y)-1,np.max(Y)+1
    plt.title('dataset distribution')
    plt.xlim(X_min,X_max)
    plt.ylim(Y_min,Y_max)
    plt.xlabel('feature_0')
    plt.ylabel('feature_1')
    plt.legend()
    
visual_2D_dataset_dist(dataset_X)
複製代碼

獲得的結果以下：

########################小**********結#####################

1. 本數據集的加載很簡單，只需用Pandas就能夠直接加載，且不須要作其餘處理。

2. 此處須要注意，無標籤數據集的二維平面可視化，不能使用label數據，故而此處的可視化函數和我以往文章中的可視化函數是不同的，此處須要額外注意。

3. 從二維平面散點圖中能夠看出，這個數據集大概能夠分爲4個不一樣的類別，即數據都分佈在四個族羣裏，這就是咱們能夠用K-mean算法的基礎。

########################################################

2. 構建K-means算法

構建K-means算法的過程很簡單，和其餘的SVM，隨機森林算法的構建方式同樣，以下代碼：

# 定義一個k-means對象
from sklearn.cluster import KMeans
kmeans=KMeans(init='k-means++',n_clusters=4,n_init=10)
# 這幾個參數是初始化設定的，其中n_clusters是從二維散點圖中看出大概有4個族羣
kmeans.fit(dataset_X)
複製代碼

-------------------------------------輸---------出------------------

KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
n_clusters=4, n_init=10, n_jobs=1, precompute_distances='auto',
random_state=None, tol=0.0001, verbose=0)

--------------------------------------------完---------------------

雖然此處咱們定義了一個KMeans對象，且使用咱們的無標籤數據集進行了訓練，但是訓練結果怎麼樣了？咱們怎麼知道k-means算法是否正確的劃分了不一樣類別？

因此咱們須要一個可視化的結果，就像前面文章中提到的SVM分類結果圖同樣，此處咱們定義了一個專門用於可視化K-means聚類結果的函數，並用該函數來查看此處聚類的效果。代碼以下：

def visual_kmeans_effect(k_means,dataset):
    assert dataset.shape[1]==2,'only support dataset with 2 features'
    X=dataset[:,0]
    Y=dataset[:,1]
    X_min,X_max=np.min(X)-1,np.max(X)+1
    Y_min,Y_max=np.min(Y)-1,np.max(Y)+1
    X_values,Y_values=np.meshgrid(np.arange(X_min,X_max,0.01),
                                  np.arange(Y_min,Y_max,0.01))
    # 預測網格點的標記
    predict_labels=k_means.predict(np.c_[X_values.ravel(),Y_values.ravel()])
    predict_labels=predict_labels.reshape(X_values.shape)
    plt.figure()
    plt.imshow(predict_labels,interpolation='nearest',
               extent=(X_values.min(),X_values.max(),
                       Y_values.min(),Y_values.max()),
               cmap=plt.cm.Paired,
               aspect='auto',
               origin='lower')
    
    # 將數據集繪製到圖表中
    plt.scatter(X,Y,marker='v',facecolors='none',edgecolors='k',s=30)
    
    # 將中心點回執到圖中
    centroids=k_means.cluster_centers_
    plt.scatter(centroids[:,0],centroids[:,1],marker='o',
                s=100,linewidths=2,color='k',zorder=5,facecolors='b')
    plt.title('K-Means effect graph')
    plt.xlim(X_min,X_max)
    plt.ylim(Y_min,Y_max)
    plt.xlabel('feature_0')
    plt.ylabel('feature_1')
    plt.show()
    
visual_kmeans_effect(kmeans,dataset_X)
複製代碼

########################小**********結###################

1. 定義K-means聚類算法的方法很簡單，只須要從sklearn.cluster中導入KMeans，並定義一個KMeans對象便可，直接用fit()函數能夠直接訓練。

2. 此處使用k-means聚類算法對數據進行了聚類分析，可使用函數visual_kmeans_effect()來直接查看聚類後的效果圖。

3. 雖然能夠直觀看到效果圖，但效果圖仍是難以量化k-means聚類算法的準確度，這些內容將在後續文章中講解。

#######################################################

注：本部分代碼已經所有上傳到（個人github）上，歡迎下載。

參考資料:

1, Python機器學習經典實例，Prateek Joshi著，陶俊傑，陳小莉譯