
機(jī)器學(xué)習(xí)中,我們最常遇到的就是無(wú)監(jiān)督,有監(jiān)督,半監(jiān)督了。無(wú)監(jiān)督和有監(jiān)督的區(qū)別,小編之前跟大家分享過(guò),今天跟大家分享的是無(wú)監(jiān)督機(jī)器學(xué)習(xí)中常見(jiàn)的聚類(lèi)算法,希望對(duì)大家無(wú)監(jiān)督學(xué)習(xí)有所幫助。
一、基本概念
1.無(wú)監(jiān)督學(xué)習(xí):
無(wú)監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種方法,根據(jù)類(lèi)別未知(沒(méi)有被標(biāo)記)的訓(xùn)練樣本解決模式識(shí)別中的各種問(wèn)題。無(wú)監(jiān)督學(xué)習(xí)應(yīng)用主要包含:聚類(lèi)分析、關(guān)系規(guī)則、維度縮減。
2.聚類(lèi):
無(wú)監(jiān)督學(xué)習(xí)里典型例子是聚類(lèi)。聚類(lèi)是把相似的對(duì)象通過(guò)靜態(tài)分類(lèi)的方法分成不同的組別或者更多的子集,這樣讓在同一個(gè)子集中的成員對(duì)象都有相似的一些屬性,常見(jiàn)的包括在坐標(biāo)系中更加短的空間距離等。
最常見(jiàn)的無(wú)監(jiān)督聚類(lèi)算法:
K均值聚類(lèi)
分層聚類(lèi)
基于密度的掃描聚類(lèi)(DBSCAN)
二、無(wú)監(jiān)督聚類(lèi)算法--K均值聚類(lèi)
K均值聚類(lèi) 是我們最常用的基于歐式距離的聚類(lèi)算法,它是數(shù)值的、非監(jiān)督的、非確定的、迭代的,該算法旨在最小化一個(gè)目標(biāo)函數(shù)——誤差平方函數(shù)(所有的觀測(cè)點(diǎn)與其中心點(diǎn)的距離之和),其認(rèn)為兩個(gè)目標(biāo)的距離越近,相似度越大,由于具有出色的速度和良好的可擴(kuò)展性,K均值聚類(lèi)算得上是最著名的聚類(lèi)方法。
1.K均值中最常用的距離是歐氏距離平方。m維空間中兩點(diǎn)x和y之間的距離的示例是:
這里,j是采樣點(diǎn)x和y的第j維(或特征列)。
集群慣性是聚類(lèi)上下文中給出的平方誤差之和的名稱(chēng),表示如下:
其中μ(j)是簇j的質(zhì)心,并且如果樣本x(i)在簇j中則w(i,j)是1.否則是0.
K均值可以理解為試圖最小化群集慣性因子的算法。
2.具體算法
(1)選擇k值,即我們想要查找的聚類(lèi)數(shù)量。
(2)算法將隨機(jī)選擇每個(gè)聚類(lèi)的質(zhì)心。
(3)將每個(gè)數(shù)據(jù)點(diǎn)分配給最近的質(zhì)心(使用歐氏距離)。
(4)計(jì)算群集慣性。
(5)將計(jì)算新的質(zhì)心作為屬于上一步的質(zhì)心的點(diǎn)的平均值。換句話(huà)說(shuō),通過(guò)計(jì)算數(shù)據(jù)點(diǎn)到每個(gè)簇中心的最小二次誤差,將中心移向該點(diǎn)。
(6)返回第3步。
二、無(wú)監(jiān)督聚類(lèi)算法--分層聚類(lèi)
1.分層聚類(lèi)是基于prototyope的聚類(lèi)算法的替代方案。分層聚類(lèi)的主要優(yōu)點(diǎn)是不需要指定聚類(lèi)的數(shù)量,它會(huì)自己找到它。此外,它還可以繪制樹(shù)狀圖。樹(shù)狀圖是二元分層聚類(lèi)的可視化。
在底部融合的觀察是相似的,而在頂部的觀察是完全不同的。對(duì)于樹(shù)狀圖,基于垂直軸的位置而不是水平軸的位置進(jìn)行結(jié)算。
2.分層聚類(lèi)的類(lèi)型
分層聚類(lèi)有兩種方法:集聚和分裂。
分裂:這種方法首先將所有數(shù)據(jù)點(diǎn)放入一個(gè)集群中。 然后,它將迭代地將簇分割成較小的簇,直到它們中的每一個(gè)僅包含一個(gè)樣本。
集聚:這種方法從每個(gè)樣本作為不同的集群開(kāi)始,然后將它們彼此靠近,直到只有一個(gè)集群。
3.分層聚類(lèi)優(yōu)缺點(diǎn)
分層聚類(lèi)的優(yōu)點(diǎn);
(1)由此產(chǎn)生的層次結(jié)構(gòu)表示可以提供非常豐富的信息。
(2)樹(shù)狀圖提供了一種有趣且信息豐富的可視化方式。
(3)當(dāng)數(shù)據(jù)集包含真正的層次關(guān)系時(shí),它們特別強(qiáng)大。
分層聚類(lèi)的缺點(diǎn):
(1)分層聚類(lèi)對(duì)異常值非常敏感,并且在其存在的情況下,模型性能顯著降低。
(2)從計(jì)算上講,分層聚類(lèi)非常昂貴。
三、無(wú)監(jiān)督聚類(lèi)算法--DBSCAN 聚類(lèi)
DBSCAN(帶噪聲的基于密度的空間聚類(lèi)方法)是一種流行的聚類(lèi)算法,它被用來(lái)在預(yù)測(cè)分析中替代 K 均值算法。它并不要求輸入簇的個(gè)數(shù)才能運(yùn)行。但是,你需要對(duì)其他兩個(gè)參數(shù)進(jìn)行調(diào)優(yōu)。
優(yōu)缺點(diǎn):
1.優(yōu)點(diǎn)
①不需要指定簇的個(gè)數(shù);
②可以對(duì)任意形狀的稠密數(shù)據(jù)集進(jìn)行聚類(lèi),相對(duì)的,K-Means之類(lèi)的聚類(lèi)算法一般只適用于凸數(shù)據(jù)集;
③擅長(zhǎng)找到離群點(diǎn)(檢測(cè)任務(wù));
④兩個(gè)參數(shù)ε\varepsilonε和minPts就夠了;
⑤聚類(lèi)結(jié)果沒(méi)有偏倚,相對(duì)的,K-Means之類(lèi)的聚類(lèi)算法初始值對(duì)聚類(lèi)結(jié)果有很大影響。
2.缺點(diǎn)
①高維數(shù)據(jù)有些困難;
②Sklearn中效率很慢(數(shù)據(jù)削減策略);
③如果樣本集的密度不均勻、聚類(lèi)間距差相差很大時(shí),聚類(lèi)質(zhì)量較差,這時(shí)用DBSCAN聚類(lèi)一般不適合;
④調(diào)參相對(duì)于傳統(tǒng)的K-Means之類(lèi)的聚類(lèi)算法稍復(fù)雜,主要需要對(duì)距離閾值ε\varepsilonε,鄰域樣本數(shù)閾值MinPts聯(lián)合調(diào)參,不同的參數(shù)組合對(duì)最后的聚類(lèi)效果有較大影響。
數(shù)據(jù)分析咨詢(xún)請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
LSTM 模型輸入長(zhǎng)度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長(zhǎng)序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計(jì)的實(shí)用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶(hù) ...
2025-07-11尊敬的考生: 您好! 我們誠(chéng)摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價(jià)值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡(jiǎn)稱(chēng) BI)深度融合的時(shí)代,BI ...
2025-07-10SQL 在預(yù)測(cè)分析中的應(yīng)用:從數(shù)據(jù)查詢(xún)到趨勢(shì)預(yù)判? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代,預(yù)測(cè)分析作為挖掘數(shù)據(jù)潛在價(jià)值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢(xún)結(jié)束后:分析師的收尾工作與價(jià)值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢(xún)結(jié)束)并非工作的終點(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭(zhēng)搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢(shì)性檢驗(yàn):捕捉數(shù)據(jù)背后的時(shí)間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢(shì)性檢驗(yàn)如同一位耐心的偵探,專(zhuān)注于從單 ...
2025-07-09year_month數(shù)據(jù)類(lèi)型:時(shí)間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時(shí)間是最不可或缺的維度之一,而year_month數(shù)據(jù)類(lèi)型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗(yàn):數(shù)據(jù)趨勢(shì)與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢(shì)變化以及識(shí)別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國(guó)內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對(duì)策略? 長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門(mén)控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)學(xué)方法在市場(chǎng)調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場(chǎng)調(diào)研是企業(yè)洞察市場(chǎng)動(dòng)態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)學(xué)方法則是市場(chǎng)調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書(shū)考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動(dòng)力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專(zhuān)業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動(dòng)力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開(kāi)啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價(jià)值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03