【火爐煉AI】機器學習020-使用K-means算法對數據進行聚類分析
(本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )
前面的機器學習類文章（編號從010-019）都是關于監督學習，但是從本篇文章開始，煉丹老頑童要開始講解無監督學習方面，無監督學習是指處理的數據沒有任何形式的標記，我們沒有對訓練數據集進行實現的類別劃分，故而相當于抹黑處理，要讓機器學習自己找出樣本所屬的類別，那么機器學習通過什么方式來找出“所屬類別”了？這就是聚類算法的作用了。
聚類算法，其核心思想就是中國的“人以類聚，物以群分”，就是機器學習將通過一定的算法來將樣本劃分類別，使得相互之間相似的樣本劃分為一個類別，不相似的樣本劃分為不同的類別中。
K-means算法是最流行的聚類算法之一，這種算法常常利用數據的不同屬性將輸入數據劃分為K組，這種劃分是使用最優化的技術實現的，讓各組內的數據點與該組中心點的距離平方和最小化。
說起來很抽象，讓人感覺云里霧里，那么我們看一個簡單的實例吧。
1. 準備數據集
本次所使用的數據集是我前面的文章【火爐煉AI】機器學習010-用樸素貝葉斯分類器解決多分類問題中所采用的數據集，一個具有四種不同類別，兩種不同features的小數據集，其加載方法和顯示方法如下所示。
# 準備數據集
data_path='E:\PyProjects\DataSet\FireAI/data_multivar.txt'
df=pd.read_csv(data_path,header=None)
# print(df.head())
# print(df.info()) # 查看數據信息，確保沒有錯誤
dataset_X,dataset_y=df.iloc[:,:-1],df.iloc[:,-1]
# print(dataset_X.head())
print(dataset_X.info())
print('-'*100)
print(dataset_y.head())
dataset_X=dataset_X.values
dataset_y=dataset_y.values
# print(dataset_X.shape) # (400, 2)
# print(dataset_y.shape) # (400,)
-------------------------------------輸---------出--------------------------------
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 400 entries, 0 to 399
Data columns (total 2 columns):
0 400 non-null float64
1 400 non-null float64
dtypes: float64(2)
memory usage: 6.3 KB
None
--------------------------------------------完-------------------------------------
表明結果數據集已經正確地加載到內存中，且每一個features中都沒有Null值，我們無需做進一步的缺失值處理。
下面將這個數據集進行2D可視化，如下是可視化的代碼：
# 無標簽數據集可視化，將第一列feature作為X，第二列feature作為y
def visual_2D_dataset_dist(dataset):
'''將二維數據集dataset顯示在散點圖中'''
assert dataset.shape[1]==2,'only support dataset with 2 features'
plt.figure()
X=dataset[:,0]
Y=dataset[:,1]
plt.scatter(X,Y,marker='v',c='g',label='dataset')
X_min,X_max=np.min(X)-1,np.max(X)+1
Y_min,Y_max=np.min(Y)-1,np.max(Y)+1
plt.title('dataset distribution')
plt.xlim(X_min,X_max)
plt.ylim(Y_min,Y_max)
plt.xlabel('feature_0')
plt.ylabel('feature_1')
plt.legend()
visual_2D_dataset_dist(dataset_X)
得到的結果如下：
########################小**********結###############################
1. 本數據集的加載很簡單，只需用Pandas就可以直接加載，且不需要做其他處理。
2. 此處需要注意，無標簽數據集的二維平面可視化，不能使用label數據，故而此處的可視化函數和我以往文章中的可視化函數是不一樣的，此處需要額外注意。
3. 從二維平面散點圖中可以看出，這個數據集大概可以分為4個不同的類別，即數據都分布在四個族群里，這就是我們可以用K-mean算法的基礎。
#################################################################
2. 構建K-means算法
構建K-means算法的過程很簡單，和其他的SVM，隨機森林算法的構建方式一樣，如下代碼：
# 定義一個k-means對象
from sklearn.cluster import KMeans
kmeans=KMeans(init='k-means++',n_clusters=4,n_init=10)
# 這幾個參數是初始化設定的，其中n_clusters是從二維散點圖中看出大概有4個族群
kmeans.fit(dataset_X)
-------------------------------------輸---------出--------------------------------
KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
n_clusters=4, n_init=10, n_jobs=1, precompute_distances='auto',
random_state=None, tol=0.0001, verbose=0)
--------------------------------------------完-------------------------------------
雖然此處我們定義了一個KMeans對象，且使用我們的無標簽數據集進行了訓練，可是訓練結果怎么樣了？我們怎么知道k-means算法是否正確的劃分了不同類別？
所以我們需要一個可視化的結果，就像前面文章中提到的SVM分類結果圖一樣，此處我們定義了一個專門用于可視化K-means聚類結果的函數，并用該函數來查看此處聚類的效果。代碼如下：
def visual_kmeans_effect(k_means,dataset):
assert dataset.shape[1]==2,'only support dataset with 2 features'
X=dataset[:,0]
Y=dataset[:,1]
X_min,X_max=np.min(X)-1,np.max(X)+1
Y_min,Y_max=np.min(Y)-1,np.max(Y)+1
X_values,Y_values=np.meshgrid(np.arange(X_min,X_max,0.01),
np.arange(Y_min,Y_max,0.01))
# 預測網格點的標記
predict_labels=k_means.predict(np.c_[X_values.ravel(),Y_values.ravel()])
predict_labels=predict_labels.reshape(X_values.shape)
plt.figure()
plt.imshow(predict_labels,interpolation='nearest',
extent=(X_values.min(),X_values.max(),
Y_values.min(),Y_values.max()),
cmap=plt.cm.Paired,
aspect='auto',
origin='lower')
# 將數據集繪制到圖表中
plt.scatter(X,Y,marker='v',facecolors='none',edgecolors='k',s=30)
# 將中心點回執到圖中
centroids=k_means.cluster_centers_
plt.scatter(centroids[:,0],centroids[:,1],marker='o',
s=100,linewidths=2,color='k',zorder=5,facecolors='b')
plt.title('K-Means effect graph')
plt.xlim(X_min,X_max)
plt.ylim(Y_min,Y_max)
plt.xlabel('feature_0')
plt.ylabel('feature_1')
plt.show()
visual_kmeans_effect(kmeans,dataset_X)
########################小**********結###############################
1. 定義K-means聚類算法的方法很簡單，只需要從sklearn.cluster中導入KMeans，并定義一個KMeans對象即可，直接用fit()函數可以直接訓練。
2. 此處使用k-means聚類算法對數據進行了聚類分析，可以使用函數visual_kmeans_effect()來直接查看聚類后的效果圖。
3. 雖然可以直觀看到效果圖，但效果圖還是難以量化k-means聚類算法的準確度，這些內容將在后續文章中講解。
#################################################################
注：本部分代碼已經全部上傳到（我的github）上，歡迎下載。
參考資料:
1, Python機器學習經典實例，Prateek Joshi著，陶俊杰，陳小莉譯
