人工智能無監督學習：聚類

無監督機器學習算法沒有任何監督者提供任何指導。 這就是爲什麼它們與真正的人工智能緊密結合的原因。

在無人監督的學習中，沒有正確的答案，也沒有監督者指導。 算法需要發現用於學習的有趣數據模式。

什麼是聚類？

基本上，它是一種無監督學習方法，也是用於許多領域的統計數據分析的常用技術。 聚類主要是將觀測集合劃分爲子集(稱爲聚類)的任務，以同一聚類中的觀測在一種意義上相似並且與其他聚類中的觀測不相似的方式。 簡而言之，可以說聚類的主要目標是根據相似性和不相似性對數據進行分組。

例如，下圖顯示了不同羣集中的類似數據 -

數據聚類算法

以下是數據聚類的幾種常用算法 -

K-Means算法
K均值聚類算法是衆所周知的數據聚類算法之一。 我們需要假設簇的數量已經是已知的。 這也被稱爲平面聚類。 它是一種迭代聚類算法。 該算法需要遵循以下步驟 -

第1步 - 需要指定所需的K個子組的數量。
第2步 - 修復羣集數量並將每個數據點隨機分配到羣集。 換句話說，我們需要根據羣集數量對數據進行分類。

在這一步中，計算聚類質心。

由於這是一種迭代算法，因此需要在每次迭代中更新K個質心的位置，直到找到全局最優值或換句話說質心到達其最佳位置。

以下代碼將有助於在Python中實現K-means聚類算法。 我們將使用Scikit-learn模塊。

導入必需的軟件包 -

import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
import numpy as np
from sklearn.cluster import KMeans

以下代碼行將通過使用sklearn.dataset包中的make_blob來生成包含四個blob的二維數據集。

from sklearn.datasets.samples_generator import make_blobs

X, y_true = make_blobs(n_samples = 500, centers = 4,
            cluster_std = 0.40, random_state = 0)

可以使用下面的代碼可視化數據集 -

plt.scatter(X[:, 0], X[:, 1], s = 50);
plt.show()

得到以下結果 -

在這裏，將kmeans初始化爲KMeans算法，以及多少個羣集(n_clusters)所需的參數。

kmeans = KMeans(n_clusters = 4)

需要用輸入數據訓練K-means模型。

kmeans.fit(X)
y_kmeans = kmeans.predict(X)
plt.scatter(X[:, 0], X[:, 1], c = y_kmeans, s = 50, cmap = 'viridis')

centers = kmeans.cluster_centers_

下面給出的代碼將根據數據繪製和可視化機器的發現，並根據要找到的聚類數量進行擬合。

plt.scatter(centers[:, 0], centers[:, 1], c = 'black', s = 200, alpha = 0.5);
plt.show()

得到以下結果 -

均值偏移算法

它是另一種在無監督學習中使用的流行和強大的聚類算法。 它不做任何假設，因此它是非參數算法。 它也被稱爲分層聚類或均值聚類分析。 以下將是該算法的基本步驟 -

• 首先，需要從分配給它們自己的集羣的數據點開始。
• 現在，它計算質心並更新新質心的位置。
• 通過重複這個過程，向簇的頂點靠近，即朝向更高密度的區域移動。
• 該算法停止在質心不再移動的階段。

在下面的代碼的幫助下，在Python中實現了Mean Shift聚類算法。使用Scikit-learn模塊。

導入必要的軟件包 -

import numpy as np
from sklearn.cluster import MeanShift
import matplotlib.pyplot as plt
from matplotlib import style
style.use("ggplot")

以下代碼將通過使用sklearn.dataset包中的make_blob來生成包含四個blob的二維數據集。

from sklearn.datasets.samples_generator import make_blobs

可以用下面的代碼可視化數據集 -

centers = [[2,2],[4,5],[3,10]]
X, _ = make_blobs(n_samples = 500, centers = centers, cluster_std = 1)
plt.scatter(X[:,0],X[:,1])
plt.show()

執行上面示例代碼，得到以下結果 -

現在，我們需要用輸入數據來訓練Mean Shift聚類模型。

ms = MeanShift()
ms.fit(X)
labels = ms.labels_
cluster_centers = ms.cluster_centers_

以下代碼將按照輸入數據打印聚類中心和預期的聚類數量 -

print(cluster_centers)
n_clusters_ = len(np.unique(labels))
print("Estimated clusters:", n_clusters_)
[[ 3.23005036 3.84771893]
[ 3.02057451 9.88928991]]
Estimated clusters: 2

下面給出的代碼將有助於根據數據繪製和可視化機器的發現，並根據要找到的聚類數量進行裝配。

colors = 10*['r.','g.','b.','c.','k.','y.','m.']
   for i in range(len(X)):
   plt.plot(X[i][0], X[i][1], colors[labels[i]], markersize = 10)
plt.scatter(cluster_centers[:,0],cluster_centers[:,1],
   marker = "x",color = 'k', s = 150, linewidths = 5, zorder = 10)
plt.show()

執行上面示例代碼，得到以下結果 -

測量羣集性能

現實世界的數據不是自然地組織成許多獨特的羣集。 由於這個原因，要想象和推斷推理並不容易。 這就是爲什麼需要測量聚類性能及其質量。 它可以在輪廓分析的幫助下完成。

輪廓分析

該方法可用於通過測量羣集之間的距離來檢查聚類的質量。 基本上，它提供了一種通過給出輪廓分數來評估像集羣數量這樣的參數的方法。 此分數是衡量一個羣集中每個點與相鄰羣集中的點的距離的度量。

分析輪廓分數
得分範圍爲[-1，1]。 以下是對這個分數的分析 -

• 得分爲+1分 - 得分接近+1表示樣本距離相鄰集羣很遠。
• 得分爲0分 - 得分0表示樣本與兩個相鄰羣集之間的決策邊界處於或非常接近。
• 得分爲-1分 - 得分爲負分數表示樣本已分配到錯誤的羣集。

計算輪廓分數

在本節中，我們將學習如何計算輪廓分數。

輪廓分數可以通過使用以下公式來計算 -

這裏，`