吴恩达机器学习______学习笔记记录#十三、聚类

13.1 无监督学习:简介

       首先介绍聚类算法。

       那么,什么是非监督学习呢?在课程的一开始,我曾简单的介绍过非监督学习,然而,我们还是有必要将其与监督学习做一下比较。

       在一个典型的监督学习中,我们有一个带有标签的训练集,我们的目标是找到能够区分正样本和负样本的决策边界,据此拟合一个假设函数。与此不同的是,在非监督学习中,我们的数据没有附带任何标签,我们拿到的数据就是这样的:
在这里插入图片描述

     在这里我们有一系列点,却没有标签。因此,我们的训练集可以写成只有x^{(1)},x^{(2)},x^{(3)},……一直到x^{(m)}。我们没有任何标签y

。因此,图上画的这些点没有标签信息。也就是说,在非监督学习中,我们需要将一系列无标签的训练数据,输入到一个算法中,然后我们告诉这个算法,快去为我们找找这个数据的内在结构给定数据。我们可能需要某种算法帮助我们寻找一种结构。图上的数据看起来可以分成两个分开的点集(称为簇),一个能够找到我圈出的这些点集的算法,就被称为聚类算法。

       这将是我们介绍的第一个非监督学习算法。当然,此后我们还将提到其他类型的非监督学习算法,它们可以为我们找到其他类型的结构或者其他的一些模式,而不只是簇。

       其应用场景有:市场分割。也许你在数据库中存储了许多客户的信息,而你希望将他们分成不同的客户群,这样你可以对不同类型的客户分别销售产品或者分别提供更适合的服务。社交网络分析:事实上有许多研究人员正在研究这样一些内容,他们关注一群人,关注社交网络,例如Facebook,Google+,或者是其他的一些信息

13.2 k-means算法

       K-均值是最普及的聚类算法,算法接受一个未标记的数据集,然后将数据聚类成不同的组。

       K-均值是一个迭代算法,假设我们想要将数据聚类成n个组,其方法为:

       首先选择K个随机的点,称为聚类中心cluster centroids);

       对于数据集中的每一个数据,按照距离K个中心点的距离,将其与距离最近的中心点关联起来,与同一个中心点关联的所有点聚成一类。

       计算每一个组的平均值,将该组所关联的中心点移动到平均值的位置。

       重复步骤2-4直至中心点不再变化。       

       K-均值算法也可以很便利地用于将数据分为许多不同组,即使在没有非常明显区分的组群的情况下也可以。下图所示的数据集包含身高和体重两项特征构成的,利用K-均值算法将数据分为三类,用于帮助确定将要生产的T-恤衫的三种尺寸。

在这里插入图片描述

13.3 优化目标

       K-均值最小化问题,是要最小化所有的数据点与其所关联的聚类中心点之间的距离之和,因此
       K-均值的代价函数(又称畸变函数 Distortion function)为:

       其中\mu _{c^{(i)}}代表与x^{(i)}最近的聚类中心点。
       我们的的优化目标便是找出使得代价函数最小的 c^{(1)},c^{(2)},.....,c^{(m)},\mu ^{1},\mu ^{2},.....,\mu ^{k},

μk:
       在这里插入图片描述

       回顾刚才给出的:
       K-均值迭代算法,我们知道,第一个循环是用于减小c^{(i)}引起的代价,而第二个循环则是用于减小μiμi​引起的代价。迭代的过程一定会是每一次迭代都在减小代价函数,不然便是出现了错误。

下面是一个聚类示例:

在这里插入图片描述

 迭代 1 次

在这里插入图片描述

迭代 3 次

在这里插入图片描述

迭代 10 次

         用   来表示聚类中心,用 c^{(1)},c^{(2)},.....,c^{(m)},来存储与第i个实例数据最近的聚类中心的索引,K-均值算法的伪代码如下:

Repeat {

for i = 1 to m

c(i) := index (form 1 to K) of cluster centroid closest to x(i)

for k = 1 to K

μk := average (mean) of points assigned to cluster k

}

       算法分为两个步骤,第一个for循环是赋值步骤,即:对于每一个样例ii,计算其应该属于的类。第二个for循环是聚类中心的移动,即:对于每一个类K,重新计算该类的质心。

13.4 随机初始化

 在运行K-均值算法的之前,我们首先要随机初始化所有的聚类中心点,下面介绍怎样做:

       1. 我们应该选择K

       2. 随机选择K个训练实例,然后令K个聚类中心分别与这K个训练实例相等

       K-均值的一个问题在于,它有可能会停留在一个局部最小值处,而这取决于初始化的情况。

在这里插入图片描述

       为了解决这个问题,我们通常需要多次运行K-均值算法,每一次都重新进行随机初始化,最后再比较多次运行K-均值的结果,选择代价函数最小的结果。这种方法在KK较小的时候(2–10)还是可行的,但是如果K较大,这么做也可能不会有明显地改善。

13.5 选择聚类数

       没有所谓最好的选择聚类数的方法,通常是需要根据不同的问题,人工进行选择的。选择的时候思考我们运用K-均值算法聚类的动机是什么,然后选择能最好服务于该目的标聚类数。

       当人们在讨论,选择聚类数目的方法时,有一个可能会谈及的方法叫作“肘部法则”。关于“肘部法则”,我们所需要做的是改变K值,也就是聚类类别数目的总数。我们用一个聚类来运行K均值聚类方法。这就意味着,所有的数据都会分到一个聚类里,然后计算成本函数或者计算畸变函数J。K代表聚类数字。

在这里插入图片描述

我们可能会得到一条类似于这样的曲线。像一个人的肘部。这就是“肘部法则”所做的,让我们来看这样一个图,看起来就好像有一个很清楚的肘在那儿。好像人的手臂,如果你伸出你的胳膊,那么这就是你的肩关节、肘关节、手。这就是“肘部法则”。你会发现这种模式,它的畸变值会迅速下降,从1到2,从2到3之后,你会在3的时候达到一个肘点。在此之后,畸变值就下降的非常慢,看起来就像使用3个聚类来进行聚类是正确的,这是因为那个点是曲线的肘点,畸变值下降得很快,K=3K=3之后就下降得很慢,那么我们就选K=3。当你应用“肘部法则”的时候,如果你得到了一个像上面这样的图,那么这将是一种用来选择聚类个数的合理方法。

       例如,我们的 T-恤制造例子中,我们要将用户按照身材聚类,我们可以分成3个尺寸:S,M,L,也可以分成5个尺寸XS,S,M,L,XL,这样的选择是建立在回答“聚类后我们制造的T-恤是否能较好地适合我们的客户”这个问题的基础上作出的。

 

聚类参考资料:

1.相似度/距离计算方法总结

(1). 闵可夫斯基距离Minkowski/(其中欧式距离:p=2)

(2). 杰卡德相似系数(Jaccard):

(3). 余弦相似度(cosine similarity):

n维向量x和y的夹角记做θ,根据余弦定理,其余弦值为:

(4). Pearson皮尔逊相关系数:

2.聚类的衡量指标

(1). 均一性:p

       类似于精确率,一个簇中只包含一个类别的样本,则满足均一性。其实也可以认为就是正确率(每个 聚簇中正确分类的样本数占该聚簇总样本数的比例和)

(2). 完整性:r

类似于召回率,同类别样本被归类到相同簇中,则满足完整性;每个聚簇中正确分类的样本数占该
类型的总样本数比例的和

(3). V-measure:

均一性和完整性的加权平均

(4). 轮廓系数

样本i的轮廓系数:s(i)

簇内不相似度:计算样本i到同簇其它样本的平均距离为a(i),应尽可能小。

簇间不相似度:计算样本i到其它簇C_{j}的所有样本的平均距离b_{ij}​,应尽可能大。

轮廓系数:s(i)值越接近1表示样本ii聚类越合理,越接近-1,表示样本ii应该分类到 另外的簇中,近似为0,表示样本ii应该在边界上;所有样本的s(i)的均值被成为聚类结果的轮廓系数。

(5). ARI

数据集S共有N个元素, 两个聚类结果分别是:

X和Y的元素个数为:

吴恩达机器学习______学习笔记记录#十三、聚类_第1张图片

参考资料:

吴恩达机器学习课程;肖泽的博客

你可能感兴趣的:(吴恩达机器学习)