機器學習中，我們最常遇到的就是無監(jiān)督，有監(jiān)督，半監(jiān)督了。無監(jiān)督和有監(jiān)督的區(qū)別，小編之前跟大家分享過，今天跟大家分享的是無監(jiān)督機器學習中常見的聚類算法，希望對大家無監(jiān)督學習有所幫助。

一、基本概念

1.無監(jiān)督學習：

無監(jiān)督學習是機器學習的一種方法，根據類別未知(沒有被標記)的訓練樣本解決模式識別中的各種問題。無監(jiān)督學習應用主要包含：聚類分析、關系規(guī)則、維度縮減。

2.聚類：

無監(jiān)督學習里典型例子是聚類。聚類是把相似的對象通過靜態(tài)分類的方法分成不同的組別或者更多的子集，這樣讓在同一個子集中的成員對象都有相似的一些屬性，常見的包括在坐標系中更加短的空間距離等。

最常見的無監(jiān)督聚類算法：

K均值聚類

分層聚類

基于密度的掃描聚類(DBSCAN)

二、無監(jiān)督聚類算法--K均值聚類

K均值聚類 是我們最常用的基于歐式距離的聚類算法，它是數值的、非監(jiān)督的、非確定的、迭代的，該算法旨在最小化一個目標函數——誤差平方函數(所有的觀測點與其中心點的距離之和)，其認為兩個目標的距離越近，相似度越大，由于具有出色的速度和良好的可擴展性，K均值聚類算得上是最著名的聚類方法。

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x和y之間的距離的示例是：

這里，j是采樣點x和y的第j維(或特征列)。

集群慣性是聚類上下文中給出的平方誤差之和的名稱，表示如下：

其中μ(j)是簇j的質心，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數量。

(2)算法將隨機選擇每個聚類的質心。

(3)將每個數據點分配給最近的質心(使用歐氏距離)。

(4)計算群集慣性。

(5)將計算新的質心作為屬于上一步的質心的點的平均值。換句話說，通過計算數據點到每個簇中心的最小二次誤差，將中心移向該點。

(6)返回第3步。

二、無監(jiān)督聚類算法--分層聚類

1.分層聚類是基于prototyope的聚類算法的替代方案。分層聚類的主要優(yōu)點是不需要指定聚類的數量，它會自己找到它。此外，它還可以繪制樹狀圖。樹狀圖是二元分層聚類的可視化。

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。對于樹狀圖，基于垂直軸的位置而不是水平軸的位置進行結算。

2.分層聚類的類型

分層聚類有兩種方法：集聚和分裂。

分裂：這種方法首先將所有數據點放入一個集群中。 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僅包含一個樣本。

集聚：這種方法從每個樣本作為不同的集群開始，然后將它們彼此靠近，直到只有一個集群。

3.分層聚類優(yōu)缺點

分層聚類的優(yōu)點;

(1)由此產生的層次結構表示可以提供非常豐富的信息。

(2)樹狀圖提供了一種有趣且信息豐富的可視化方式。

(3)當數據集包含真正的層次關系時，它們特別強大。

分層聚類的缺點：

(1)分層聚類對異常值非常敏感，并且在其存在的情況下，模型性能顯著降低。

(2)從計算上講，分層聚類非常昂貴。

三、無監(jiān)督聚類算法--DBSCAN 聚類

DBSCAN(帶噪聲的基于密度的空間聚類方法)是一種流行的聚類算法，它被用來在預測分析中替代 K 均值算法。它并不要求輸入簇的個數才能運行。但是，你需要對其他兩個參數進行調優(yōu)。

優(yōu)缺點：

1.優(yōu)點

①不需要指定簇的個數;

②可以對任意形狀的稠密數據集進行聚類，相對的，K-Means之類的聚類算法一般只適用于凸數據集;

③擅長找到離群點(檢測任務);

④兩個參數ε\varepsilonε和minPts就夠了;

⑤聚類結果沒有偏倚，相對的，K-Means之類的聚類算法初始值對聚類結果有很大影響。

2.缺點

①高維數據有些困難;

②Sklearn中效率很慢(數據削減策略);

③如果樣本集的密度不均勻、聚類間距差相差很大時，聚類質量較差，這時用DBSCAN聚類一般不適合;

④調參相對于傳統(tǒng)的K-Means之類的聚類算法稍復雜，主要需要對距離閾值ε\varepsilonε，鄰域樣本數閾值MinPts聯合調參，不同的參數組合對最后的聚類效果有較大影響。