无监督学习-聚类算法

1、聚类介绍

1.1、聚类作用

  • 知识发现
  • 异常值检测
  • 特征提取 数据压缩的例子

1.2、有监督与无监督学习

有监督

  • 给定训练集X和标签Y
  • 选择模型
    • 学习(目标函数的最优化)
    • 生成模型(本质上是一组参数、方程)

根据生成的一组参数进行预测分类任务

无监督

  • 拿到的数据只有X没有标签,只能根据X的相似程度做一些事情
  • Clustering 聚类:
    • 对于大量未标注的数据集,按照内在的相似性来分为多个类别(簇)目标:类别内相似度大,类别内相似度大,类别间相似小
    • 也可以用来改变数据的维度,可以将聚类结果作为一个维度添加到训练数据中。
    • 降维算法,数据特征变少

1.3 聚类算法


图片来源:https://scikit-learn.org.cn/view/108.html


1.4 数据间的相似度

  • 每一条数据都可以理解为多维空间中的一个点。
  • 可以根据点和点之间的距离来评价数据间的相似度

1.5 余弦距离

将数据看做空间的中的点的时候,评价远近可以用欧式距离或者是余弦距离
计算过程如下:

  • 将数据映射为高维空间中的点(向量)
  • 计算向量间的余弦值
  • 取值范围[-1,+1]趋于近于1代表相似,越趋于-1代表方向相反,0代表正交
    c o s θ =a ⋅ b ∣ ∣ a ∣ ∣2∣ ∣ b ∣ ∣2cos\theta = \frac{a \cdot b}{||a||_2||b||_2}cosθ=∣∣a2∣∣b2ab

cosθ=x 1 x 2+ y 1 y 2x 1 2+ y 1 2 ×x 2 2+ y 2 2cos\theta = \frac{x_1x_2 + y_1y_2}{\sqrt{x_1^2 + y_1^2} \times \sqrt{x_2^2 + y_2^2}} cosθ=x12+y12 ×x22+y22 x1x2+y1y2

  • 余弦相似度可以评价文章的相似度,从而实现对文章,进行分类。

K-means

2.1 聚类原理

  • 将N个样本映射到k个簇中
  • 将每个簇至少有一个样本
    基本思路:
  • 先给定k个划分,迭代样本与簇的隶属关系,每次都比前一次好一些
  • 迭代若干次就能得到比较好的结果

2.2 K-means 算法原理

算法步骤:

  • 选择k个初始的簇中心
  • 逐个计算每个样本到簇中心的距离,将样本归属到距离最小的那个簇中心的簇中
  • 每个簇内部计算平均值,更新簇中心
  • 开始迭代

    聚类的过程:

2.4 k-means 损失函数

∑ i=0nmin ⁡ μj∈ C (∣∣ x i− μ j∣ ∣ 2)\sum\limits_{i=0}^{n}\underset{\mu_j \in C}\min(||x_i – \mu_j||^2) i=0nμjCmin(∣∣xiμj2)

  • 其中 μj= 1 ∣ Cj∣∑ x ∈ Cj x\mu_j = \frac{1}{|C_j|}\sum\limits_{x \in C_j}xμj=Cj1xCjx 是簇的均值向量,或者说是质心。

  • 其中 ∣ ∣ xi− μj∣ ∣2 ||x_i – \mu_j||^2∣∣xiμj2代表每个样本点到均值点的距离(其实也是范数)。

2.5 K-means 执行过程

愿君前程似锦,未来可期去,感谢您的阅读,如果对您有用希望您留下宝贵的点赞和收藏
本文章为本人学习笔记,如有请侵权联系,本人会立即删除侵权文章。可以一起学习共同进步谢谢,如有请侵权联系,本人会立即删除侵权文章。