【机器学习】非监督学习初探—聚类

非监督学习

机器学习有两种，一种是监督学习，另一种是非监督学习。监督学习就是我告诉计算机你把班上同学分个类，分类标准是按照性别，男生和女生；非监督分类就是告诉计算机你自己去把班上同学分个类吧，我不告诉你分类标准。

没有分类标准该如何分类呢？这就需要引入一个新的方法：聚类(Clustering）

聚类

有两个人，一个叫做Sebastian，一个叫做Katie，这两个人对电影有不同的喜好，有一些电影Sebastian认为很好，但是Katie不喜欢看，就是下图左上角的那一堆；而又有一些电影Katie认为很好，但是Sebastian不喜欢看，就是右下角的那一堆。

有了两堆数据，接下来我们就只用把第一堆命名为Class A，第二堆命名为Class B，而不需要知道他们具体是按照电影品味分的。

K-均值 （K-Means）

聚类算法中使用最广泛的就是K-均值算法。

举个例子，下图的红色数据点，按照它们到蓝色点A和蓝色B的距离划分，离A更近的划为一类，可以连接AB,然后取中垂线，在A那边一侧的点就是距离A更近，而距离B更远的点，可以划分为A类

而一个完整的K-均值算法是一个反复迭代的过程，上面的那个过程要不断的进行，具体怎么操作呢？

1.就是面对一大群的数据，假如我们想要分成2类，那么我们就随便在图上找两个点（用黄色和红色的▲来表示）作为分类的中心点，然后计算每一个数据到这两个中心点的距离，距离红色近黄色远的就分类到红色，，距离黄色近红色远的就分类到黄色，直到所有的分类都全部完成

2.把所有红色组数据的平均值作为新的红色中心点的坐标，所有黄色组数据的平均值作为新的黄色中心点的坐标

3.以新的中心点再次进行分类，依然是距离红色近黄色远的就分类到红色，，距离黄色近红色远的就分类到黄色，直到所有的分类都全部完成

4.如此反复，直到所有的数据分组都不再发生变化为止（前面的过程中有些数据有的时候分到了红色组，有的时候分到了黄色组）

我们可以看一个动态的过程，网址是
http://www.naftaliharris.com/blog/visualizing-k-means-clustering/
选择 randomly，Guassian Mixture，然后添加3个中心点，经过多次反复聚类，最终确定中心点的位置

Sklearn中的K-均值

知道了什么K-均值之后就可以直接到Sklearn页面上去查看相关代码了。
点击Sklearn.cluster.KMeans来查看

其中有三个参数很重要：

n_clusters=8：

意思就是聚类默认分成8组，但是实际上我们经常要根据具体的数据来设定具体的数值，比方说前面的gif图画中，我们就分成了3组，所以这个数值是需要自己调整的

max_iter=300：

这个意思就是说最多进行多少次的调整中心点，其实往往我们的数据进行不到300次分组就已经确定下来了

n_init=10：

对数据初始化多少次，这个参数比较难以理解，为什么要初始化很多次呢？因为即使是同样的数据，设置同样数量的中心点，依然可能得到不同的结果。这就是K-均值的局限，所以需要初始化很多次，来查看不同的结果

这里给出一个同样是均匀分布的例子

好啦，这就是非监督学习的中的K-均值聚类算法

关注我的公众号，有更多机器学习、人工智能、个人提升、好书推荐等文章哦~