机器学习中,我们最常遇到的就是无监督,有监督,半监督了。无监督和有监督的区别,小编之前跟大家分享过,今天跟大家分享的是无监督机器学习中常见的聚类算法,希望对大家无监督学习有所帮助。
一、基本概念
1.无监督学习:
无监督学习是机器学习的一种方法,根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题。无监督学习应用主要包含:聚类分析、关系规则、维度缩减。
2.聚类:
无监督学习里典型例子是聚类。聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集,这样让在同一个子集中的成员对象都有相似的一些属性,常见的包括在坐标系中更加短的空间距离等。
最常见的无监督聚类算法:
K均值聚类
分层聚类
基于密度的扫描聚类(DBSCAN)
二、无监督聚类算法--K均值聚类
K均值聚类 是我们最常用的基于欧式距离的聚类算法,它是数值的、非监督的、非确定的、迭代的,该算法旨在最小化一个目标函数——误差平方函数(所有的观测点与其中心点的距离之和),其认为两个目标的距离越近,相似度越大,由于具有出色的速度和良好的可扩展性,K均值聚类算得上是最著名的聚类方法。
1.K均值中最常用的距离是欧氏距离平方。m维空间中两点x和y之间的距离的示例是:
这里,j是采样点x和y的第j维(或特征列)。
集群惯性是聚类上下文中给出的平方误差之和的名称,表示如下:
其中μ(j)是簇j的质心,并且如果样本x(i)在簇j中则w(i,j)是1.否则是0.
K均值可以理解为试图最小化群集惯性因子的算法。
2.具体算法
(1)选择k值,即我们想要查找的聚类数量。
(2)算法将随机选择每个聚类的质心。
(3)将每个数据点分配给最近的质心(使用欧氏距离)。
(4)计算群集惯性。
(5)将计算新的质心作为属于上一步的质心的点的平均值。换句话说,通过计算数据点到每个簇中心的最小二次误差,将中心移向该点。
(6)返回第3步。
二、无监督聚类算法--分层聚类
1.分层聚类是基于prototyope的聚类算法的替代方案。分层聚类的主要优点是不需要指定聚类的数量,它会自己找到它。此外,它还可以绘制树状图。树状图是二元分层聚类的可视化。
在底部融合的观察是相似的,而在顶部的观察是完全不同的。对于树状图,基于垂直轴的位置而不是水平轴的位置进行结算。
2.分层聚类的类型
分层聚类有两种方法:集聚和分裂。
分裂:这种方法首先将所有数据点放入一个集群中。 然后,它将迭代地将簇分割成较小的簇,直到它们中的每一个仅包含一个样本。
集聚:这种方法从每个样本作为不同的集群开始,然后将它们彼此靠近,直到只有一个集群。
3.分层聚类优缺点
分层聚类的优点;
(1)由此产生的层次结构表示可以提供非常丰富的信息。
(2)树状图提供了一种有趣且信息丰富的可视化方式。
(3)当数据集包含真正的层次关系时,它们特别强大。
分层聚类的缺点:
(1)分层聚类对异常值非常敏感,并且在其存在的情况下,模型性能显着降低。
(2)从计算上讲,分层聚类非常昂贵。
三、无监督聚类算法--DBSCAN 聚类
DBSCAN(带噪声的基于密度的空间聚类方法)是一种流行的聚类算法,它被用来在预测分析中替代 K 均值算法。它并不要求输入簇的个数才能运行。但是,你需要对其他两个参数进行调优。
优缺点:
1.优点
①不需要指定簇的个数;
②可以对任意形状的稠密数据集进行聚类,相对的,K-Means之类的聚类算法一般只适用于凸数据集;
③擅长找到离群点(检测任务);
④两个参数ε\varepsilonε和minPts就够了;
⑤聚类结果没有偏倚,相对的,K-Means之类的聚类算法初始值对聚类结果有很大影响。
2.缺点
①高维数据有些困难;
②Sklearn中效率很慢(数据削减策略);
③如果样本集的密度不均匀、聚类间距差相差很大时,聚类质量较差,这时用DBSCAN聚类一般不适合;
④调参相对于传统的K-Means之类的聚类算法稍复杂,主要需要对距离阈值ε\varepsilonε,邻域样本数阈值MinPts联合调参,不同的参数组合对最后的聚类效果有较大影响。
数据分析咨询请扫描二维码
在现代信息技术的广阔世界中,大数据架构师扮演着至关重要的角色。他们不仅引领着企业的数据战略,还通过技术创新推动业务的不断 ...
2024-11-04在当今数字化时代,数据分析师已成为企业关键角色,帮助决策者通过数据驱动的洞察实现业务目标。成为一名成功的数据分析师,需要 ...
2024-11-03在当今数字化的世界中,数据分析已经成为推动商业决策的关键因素。随着公司和组织越来越依赖数据来驱动业务战略,对数据分析专 ...
2024-11-03《Python数据分析极简入门》 第2节 2 Pandas数据类型 Pandas 有两种自己独有的基本数据结构。需要注意的是,它固然有着两种数据 ...
2024-11-01《Python数据分析极简入门》 第2节 1 Pandas简介 说好开始学Python,怎么到了Pandas? 前面说过,既然定义为极简入门,我们只抓 ...
2024-10-31在当今数据驱动的世界中,数据科学与工程专业的重要性愈发凸显。无论是推动技术进步,还是在商业决策中提供精准分析,这一专业都 ...
2024-10-30在当今信息爆炸的时代,数据已成为企业决策和战略制定的核心资源。爬虫工程师因此成为数据获取和挖掘的关键角色。本文将详细介绍 ...
2024-10-30在当今数据驱动的世界中,数据分析是揭示商业洞察和推动决策的核心力量。选择合适的数据分析工具对于数据专业人士而言至关重要。 ...
2024-10-30能源企业在全球经济和环境保护双重压力下,正面临前所未有的挑战与机遇。数字化转型作为应对这些挑战的关键手段,正在深刻变革传 ...
2024-10-30近年来,随着数据科学的逐步发展,Python语言的使用率也越来越高,不仅可以做数据处理,网页开发,更是数据科学、机器学习、深度 ...
2024-10-30大数据分析师证书 针对不同知识,掌握程度的要求分为【领会】、【熟知】、【应用】三个级别,考生应按照不同知识要求进行学习。 ...
2024-10-30《Python数据分析极简入门》 附:Anaconda安装教程 注:分Windows系统下安装和MacOS系统安装 1. Windows系统下安装 第一步清华大 ...
2024-10-29拥抱数据分析的世界 - 成为一名数据分析工程师是一个充满挑战和机遇的职业选择。要成功地进入这个领域,你需要掌握一系列关键技 ...
2024-10-28降本增效:管理战略的关键 企业管理中的降本增效不仅是一项重要的战略举措,更是激发竞争力、提高盈利能力的关键。这一理念在当 ...
2024-10-28企业数字化是指利用数字技术和信息化手段,对企业的各个方面进行改造和优化,以提升生产效率、服务质量和市场竞争力的过程。实现 ...
2024-10-28数据科学专业毕业后,毕业生可以选择从事多种不同的岗位和领域。数据科学是一个快速发展且广泛应用的领域,毕业生在企业、学术界 ...
2024-10-28学习数据科学与大数据技术是当今职业发展中至关重要的一环。从基础到高级,以下是一些建议的课程路径: 基础课程: Python编程 ...
2024-10-28在信息技术和数据科学领域,数据架构师扮演着至关重要的角色。他们负责设计和管理企业中复杂的数据基础设施,以支持数据驱动的决 ...
2024-10-28进入21世纪以来,随着信息技术的迅猛发展,大数据已经成为全球最具影响力的技术之一,并成为企业数字化转型的核心驱动力。大数据 ...
2024-10-28随着科技的迅猛发展,数字化转型已成为现代企业保持竞争力和推动增长的关键战略之一。数字化不仅仅是技术的应用,它代表着一种全 ...
2024-10-28