如何用Python进行无监督学习

无监督学习是一种用于在数据中查找模式的机器学习技术。无监督算法给出的数据不带标记，只给出输入变量(X)，没有相应的输出变量。在无监督学习中，算法自己去发现数据中有趣的结构。

人工智能研究总监严乐群解释说，非监督学习教学机器能够自主学习，而不需要被明确告知它们所做的一切是对是错，这是实现真正人工智能的关键。

监督与无监督学习

在监督学习中，系统试图从前面给出的例子中学习。(另一方面，在无监督学习中，系统试图直接从给出的例子中找到模式。)如果数据集被标记，它就会遇到监督问题，如果数据集没有标记，那么它就是一个监督问题。

SRC

左边的图像是监督学习的一个例子;我们使用回归技术来寻找特征之间的最佳匹配线。而在无监督学习中，输入是基于特征分离的，预测是基于它所属的集群。

重要术语

特性:用于预测的输入变量。

预测:当提供一个输入示例时，模型s的输出。

示例:数据集的一行。示例包含一个或多个特性，可能还有一个标签。

标签:特性的结果。

为无监督学习准备数据

在本文中，我们使用Iris数据集进行第一次预测。该数据集包含一组150条记录，包含5个属性:花瓣长度、花瓣宽度、萼片长度、萼片宽度和类别。蝴蝶花，蝴蝶花和花色蝴蝶花是三个等级。对于我们的无监督算法，我们给出虹膜花的这四个特征，并预测它属于哪一类。

我们使用Python中的sklearn库加载Iris数据集，使用matplotlib实现数据可视化。下面是用于研究数据集的代码片段。

# Importing Modules from sklearn import datasets import matplotlib.pyplot as plt # Loading dataset iris_df = datasets.load_iris() # Available methods on dataset print(dir(iris_df)) # Features print(iris_df.feature_names) # Targets print(iris_df.target) # Target Names print(iris_df.target_names) label = {0: 'red', 1: 'blue', 2: 'green'} # Dataset Slicing x_axis = iris_df.data[:, 0] # Sepal Length y_axis = iris_df.data[:, 2] # Sepal Width # Plotting plt.scatter(x_axis, y_axis, c=iris_df.target) plt.show()

['DESCR'，'data'，'feature_names'，'target'，'target_names'] ['sepal length（cm）'，'sepal width（cm）'，'petal length（cm）'，'petal width（厘米）']

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2]

['setosa''versicolor''virginica']

紫罗兰:濑户草，绿色:杂色，黄色:弗吉尼亚

在上面的图像中，左边的图像是未分类的原始数据，右边的图像是聚类的(根据数据的特征进行分类)。当给定一个要预测的输入时，它会根据它的特性检查它所属的集群，然后进行预测。

Python中的K-Means聚类

K均值是一种迭代聚类算法，其目标是在每次迭代中寻找局部最大值。选择初始所需的集群数量。因为我们知道有3个类，所以我们编写算法将数据分组到3个类中，方法是将参数n个集群传递到KMeans模型中。现在随机将三个点(输入)分配到三个集群中。根据每个点之间的质心距离，下一个给定的输入被分离成受尊重的集群。现在，重新计算所有集群的质心。

集群的每个质心是定义结果组的特征值的集合。质心特征权值的检验可以定性地解释每个聚类所代表的组的类型。

从sklearn库中导入KMeans模型，进行特征拟合和预测。

K是Python中的实现。

# Importing Modules from sklearn import datasets from sklearn.cluster import KMeans # Loading dataset iris_df = datasets.load_iris() # Declaring Model model = KMeans(n_clusters=3) # Fitting Model model.fit(iris_df.data) # Predicitng a single input predicted_label = model.predict([[7.2, 3.5, 0.8, 1.6]]) # Prediction on the entire data all_predictions = model.predict(iris_df.data) # Printing Predictions print(predicted_label) print(all_predictions)

[0] [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 1 1 1 1 2 1 1 1 1 1 2 2 1 1 1 1 2 1 1 2 1 1 2 2 1 1 1 1 2 1 1 1 1 2 1 1 1 2 1 1 1 2 1 1 2]

分层聚类

分层聚类，顾名思义，是一种构建集群层次结构的算法。该算法首先将所有数据分配给自己的集群。然后将两个最近的集群连接到同一个集群中。最后，当只剩下一个集群时，该算法就结束了。

利用树状图可以显示层次聚类的完成情况。现在让我们看一个谷物数据分层聚类的例子。数据集可以在这里找到。

Python中的分层集群实现。

# Importing Modules from scipy.cluster.hierarchy import linkage, dendrogram import matplotlib.pyplot as plt import pandas as pd # Reading the DataFrame seeds_df = pd.read_csv( "https://raw.githubusercontent.com/vihar/unsupervised-learning-with-python/master/seeds-less-rows.csv") # Remove the grain species from the DataFrame, save for later varieties = list(seeds_df.pop('grain_variety')) # Extract the measurements as a NumPy array samples = seeds_df.values """ Perform hierarchical clustering on samples using the linkage() function with the method='complete' keyword argument. Assign the result to mergings. """ mergings = linkage(samples, method='complete') """ Plot a dendrogram using the dendrogram() function on mergings, specifying the keyword arguments labels=varieties, leaf_rotation=90, and leaf_font_size=6. """ dendrogram(mergings, labels=varieties, leaf_rotation=90, leaf_font_size=6, ) plt.show()

K均值和分层聚类之间的差异

层次聚类不能很好地处理大数据，K表示聚类可以。这是因为K均值的时间复杂度是线性的，即O(n)，而层次聚类的时间复杂度是二次的，即O(n2)。

在K均值聚类中，当我们从任意选择的聚类开始时，多次运行该算法生成的结果可能会有所不同。而结果在层次聚类中是可重复的。

当星系团的形状是超球形(如二维的圆形，三维的球形)时，发现K 代表工作良好。

K-Means不允许有噪声的数据，而在分层中我们可以直接使用有噪声的数据集进行聚类。

t-SNE聚类

它是一种无监督的可视化学习方法。t-SNE代表t分布随机邻居嵌入。它将高维空间映射到可以可视化的二维或三维空间。具体地说，它通过一个二维或三维点对每个高维物体进行建模，其方法是用附近的点对相似的物体建模，用高概率的远点对不同的物体建模。

Python中Iris数据集的t-SNE聚类实现。

# Importing Modules from sklearn import datasets from sklearn.manifold import TSNE import matplotlib.pyplot as plt # Loading dataset iris_df = datasets.load_iris() # Defining Model model = TSNE(learning_rate=100) # Fitting Model transformed = model.fit_transform(iris_df.data) # Plotting 2d t-Sne x_axis = transformed[:, 0] y_axis = transformed[:, 1] plt.scatter(x_axis, y_axis, c=iris_df.target) plt.show()

紫色：Setosa，绿色：Versicolor，黄色：Virginica

这里，由于Iris数据集具有四个特征（4d），将其转换成二维图表示。类似地，t-SNE模型可以应用于具有n个特征的数据集。

DBSCAN群集

DBSCAN（基于密度的噪声应用空间聚类）是一种常用的聚类算法，用于替代预测分析中的k均值。它不需要您输入集群的数量才能运行。但作为交换，您必须调优其他两个参数。

scikit-learn实现为eps和min示例参数提供了默认值，但是通常需要对它们进行调优。eps参数是在同一个邻域内需要考虑的两个数据点之间的最大距离。最小样本参数是一个邻域内被认为是一个集群的数据点的最小数量。