分享一篇關(guān)于聚類(lèi)的文章： 10種聚類(lèi)算法和Python代碼 。文末提供jupyter notebook的完整代碼獲取方式。

聚類(lèi)或聚類(lèi)分析是無(wú)監(jiān)督學(xué)習(xí)問(wèn)題。它通常被用作數(shù)據(jù)分析技術(shù)，用于發(fā)現(xiàn)數(shù)據(jù)中的有趣模式，例如基于其行為的客戶(hù)群。

有許多聚類(lèi)算法可供選擇，對(duì)于所有情況，沒(méi)有單一的最佳聚類(lèi)算法。相反，最好探索一系列聚類(lèi)算法以及每種算法的不同配置。在本教程中，你將發(fā)現(xiàn)如何在 python 中安裝和使用頂級(jí)聚類(lèi)算法。

完成本教程后，你將知道：

• 聚類(lèi)是在輸入數(shù)據(jù)的特征空間中查找自然組的無(wú)監(jiān)督問(wèn)題。
• 對(duì)于所有數(shù)據(jù)集，有許多不同的聚類(lèi)算法和單一的最佳方法。
• 在 scikit-learn 機(jī)器學(xué)習(xí)庫(kù)的 Python 中如何實(shí)現(xiàn)、適配和使用頂級(jí)聚類(lèi)算法。

教程概述

本教程分為三部分：

1. 聚類(lèi)
2. 聚類(lèi)算法
3. 聚類(lèi)算法示例

• 庫(kù)安裝
• 聚類(lèi)數(shù)據(jù)集
• 親和力傳播
• 聚合聚類(lèi)
• BIRCH
• DBSCAN
• K-均值
• Mini-Batch K-均值
• Mean Shift
• OPTICS
• 光譜聚類(lèi)
• 高斯混合模型

一、聚類(lèi)

聚類(lèi)分析，即聚類(lèi)，是一項(xiàng)無(wú)監(jiān)督的機(jī)器學(xué)習(xí)任務(wù)。它包括自動(dòng)發(fā)現(xiàn)數(shù)據(jù)中的自然分組。與監(jiān)督學(xué)習(xí)（類(lèi)似預(yù)測(cè)建模）不同，聚類(lèi)算法只解釋輸入數(shù)據(jù)，并在特征空間中找到自然組或群集。

聚類(lèi)技術(shù)適用于沒(méi)有要預(yù)測(cè)的類(lèi)，而是將實(shí)例劃分為自然組的情況。

—源自：《數(shù)據(jù)挖掘頁(yè)：實(shí)用機(jī)器學(xué)習(xí)工具和技術(shù)》2016年。

群集通常是特征空間中的密度區(qū)域，其中來(lái)自域的示例（觀測(cè)或數(shù)據(jù)行）比其他群集更接近群集。群集可以具有作為樣本或點(diǎn)特征空間的中心(質(zhì)心)，并且可以具有邊界或范圍。

這些群集可能反映出在從中繪制實(shí)例的域中工作的某種機(jī)制，這種機(jī)制使某些實(shí)例彼此具有比它們與其余實(shí)例更強(qiáng)的相似性。

—源自：《數(shù)據(jù)挖掘頁(yè)：實(shí)用機(jī)器學(xué)習(xí)工具和技術(shù)》2016年。

聚類(lèi)可以作為數(shù)據(jù)分析活動(dòng)提供幫助，以便了解更多關(guān)于問(wèn)題域的信息，即所謂的模式發(fā)現(xiàn)或知識(shí)發(fā)現(xiàn)。例如：

• 該進(jìn)化樹(shù)可以被認(rèn)為是人工聚類(lèi)分析的結(jié)果；
• 將正常數(shù)據(jù)與異常值或異常分開(kāi)可能會(huì)被認(rèn)為是聚類(lèi)問(wèn)題；
• 根據(jù)自然行為將集群分開(kāi)是一個(gè)集群?jiǎn)栴}，稱(chēng)為市場(chǎng)細(xì)分。

聚類(lèi)還可用作特征工程的類(lèi)型，其中現(xiàn)有的和新的示例可被映射并標(biāo)記為屬于數(shù)據(jù)中所標(biāo)識(shí)的群集之一。雖然確實(shí)存在許多特定于群集的定量措施，但是對(duì)所識(shí)別的群集的評(píng)估是主觀的，并且可能需要領(lǐng)域?qū)＜?。通常，聚?lèi)算法在人工合成數(shù)據(jù)集上與預(yù)先定義的群集進(jìn)行學(xué)術(shù)比較，預(yù)計(jì)算法會(huì)發(fā)現(xiàn)這些群集。

聚類(lèi)是一種無(wú)監(jiān)督學(xué)習(xí)技術(shù)，因此很難評(píng)估任何給定方法的輸出質(zhì)量。

—源自：《機(jī)器學(xué)習(xí)頁(yè)：概率觀點(diǎn)》2012。

二、聚類(lèi)算法

有許多類(lèi)型的聚類(lèi)算法。許多算法在特征空間中的示例之間使用相似度或距離度量，以發(fā)現(xiàn)密集的觀測(cè)區(qū)域。因此，在使用聚類(lèi)算法之前，擴(kuò)展數(shù)據(jù)通常是良好的實(shí)踐。

聚類(lèi)分析的所有目標(biāo)的核心是被群集的各個(gè)對(duì)象之間的相似程度（或不同程度）的概念。聚類(lèi)方法嘗試根據(jù)提供給對(duì)象的相似性定義對(duì)對(duì)象進(jìn)行分組。

—源自：《統(tǒng)計(jì)學(xué)習(xí)的要素：數(shù)據(jù)挖掘、推理和預(yù)測(cè)》，2016年

一些聚類(lèi)算法要求您指定或猜測(cè)數(shù)據(jù)中要發(fā)現(xiàn)的群集的數(shù)量，而另一些算法要求指定觀測(cè)之間的最小距離，其中示例可以被視為“關(guān)閉”或“連接”。因此，聚類(lèi)分析是一個(gè)迭代過(guò)程，在該過(guò)程中，對(duì)所識(shí)別的群集的主觀評(píng)估被反饋回算法配置的改變中，直到達(dá)到期望的或適當(dāng)?shù)慕Y(jié)果。scikit-learn 庫(kù)提供了一套不同的聚類(lèi)算法供選擇。下面列出了10種比較流行的算法：

1. 親和力傳播
2. 聚合聚類(lèi)
3. BIRCH
4. DBSCAN
5. K-均值
6. Mini-Batch K-均值
7. Mean Shift
8. OPTICS
9. 光譜聚類(lèi)
10. 高斯混合

每個(gè)算法都提供了一種不同的方法來(lái)應(yīng)對(duì)數(shù)據(jù)中發(fā)現(xiàn)自然組的挑戰(zhàn)。沒(méi)有最好的聚類(lèi)算法，也沒(méi)有簡(jiǎn)單的方法來(lái)找到最好的算法為您的數(shù)據(jù)沒(méi)有使用控制實(shí)驗(yàn)。

在本教程中，我們將回顧如何使用來(lái)自 scikit-learn 庫(kù)的這10個(gè)流行的聚類(lèi)算法中的每一個(gè)。這些示例將為您復(fù)制粘貼示例并在自己的數(shù)據(jù)上測(cè)試方法提供基礎(chǔ)。我們不會(huì)深入研究算法如何工作的理論，也不會(huì)直接比較它們。讓我們深入研究一下。

三、聚類(lèi)算法示例

在本節(jié)中，我們將回顧如何在 scikit-learn 中使用10個(gè)流行的聚類(lèi)算法。這包括一個(gè)擬合模型的例子和可視化結(jié)果的例子。這些示例用于將粘貼復(fù)制到您自己的項(xiàng)目中，并將方法應(yīng)用于您自己的數(shù)據(jù)。

1、庫(kù)安裝

首先，讓我們安裝庫(kù)。不要跳過(guò)此步驟，因?yàn)槟阈枰_保安裝了最新版本。你可以使用 pip Python 安裝程序安裝 scikit-learn 存儲(chǔ)庫(kù)，如下所示：

sudo pip install scikit-learn

接下來(lái)，讓我們確認(rèn)已經(jīng)安裝了庫(kù)，并且您正在使用一個(gè)現(xiàn)代版本。運(yùn)行以下腳本以輸出庫(kù)版本號(hào)。

# 檢查 scikit-learn 版本
import sklearn
print(sklearn.__version__)

運(yùn)行該示例時(shí)，您應(yīng)該看到以下版本號(hào)或更高版本。

0.22.1

2、聚類(lèi)數(shù)據(jù)集

我們將使用 make _ classification ()函數(shù)創(chuàng)建一個(gè)測(cè)試二分類(lèi)數(shù)據(jù)集。數(shù)據(jù)集將有1000個(gè)示例，每個(gè)類(lèi)有兩個(gè)輸入要素和一個(gè)群集。這些群集在兩個(gè)維度上是可見(jiàn)的，因此我們可以用散點(diǎn)圖繪制數(shù)據(jù)，并通過(guò)指定的群集對(duì)圖中的點(diǎn)進(jìn)行顏色繪制。

這將有助于了解，至少在測(cè)試問(wèn)題上，群集的識(shí)別能力如何。該測(cè)試問(wèn)題中的群集基于多變量高斯，并非所有聚類(lèi)算法都能有效地識(shí)別這些類(lèi)型的群集。因此，本教程中的結(jié)果不應(yīng)用作比較一般方法的基礎(chǔ)。下面列出了創(chuàng)建和匯總合成聚類(lèi)數(shù)據(jù)集的示例。

# 綜合分類(lèi)數(shù)據(jù)集
from numpy import where
from sklearn.datasets import make_classification
from matplotlib import pyplot
%matplotlib inline

# 定義數(shù)據(jù)集
X, y = make_classification(n_samples=1000, 
                           n_features=2, 
                           n_informative=2, 
                           n_redundant=0, 
                           n_clusters_per_class=1, 
                           random_state=4)
# 為每個(gè)類(lèi)的樣本創(chuàng)建散點(diǎn)圖
for class_value in range(2):
    # 獲取此類(lèi)的示例的行索引
    row_ix = where(y == class_value)
    # 創(chuàng)建這些樣本的散布
    pyplot.scatter(X[row_ix, 0], X[row_ix, 1])
    # 繪制散點(diǎn)圖
pyplot.show()

運(yùn)行該示例將創(chuàng)建合成的聚類(lèi)數(shù)據(jù)集，然后創(chuàng)建輸入數(shù)據(jù)的散點(diǎn)圖，其中點(diǎn)由類(lèi)標(biāo)簽（理想化的群集）著色。我們可以清楚地看到兩個(gè)不同的數(shù)據(jù)組在兩個(gè)維度，并希望一個(gè)自動(dòng)的聚類(lèi)算法可以檢測(cè)這些分組。

圖：已知聚類(lèi)著色點(diǎn)的合成聚類(lèi)數(shù)據(jù)集的散點(diǎn)圖

接下來(lái)，我們可以開(kāi)始查看應(yīng)用于此數(shù)據(jù)集的聚類(lèi)算法的示例。我已經(jīng)做了一些最小的嘗試來(lái)調(diào)整每個(gè)方法到數(shù)據(jù)集。