机器学习速查手册

第 18 章 聚类 聚类

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

聚类是一种无监督的机器学习技术，用于将一个群体划分为不同的群组。之所以说它是无监督的，是因为我们没有给模型任何标签；它只是检查特征，并确定哪些样本是相似的，属于一个聚类。在本章中，我们将介绍 K 均值聚类和分层聚类方法。我们还将使用各种技术再次探索泰坦尼克号数据集。

K-means

K-means 算法要求用户选择聚类的数量或 "k"。然后，它随机选择 k 个中心点，并根据与中心点的距离度量将每个样本分配到一个聚类中。分配完成后，它会根据分配给标签的每个样本的中心点重新计算中心点。然后，它会根据新的中心点重复将样本分配到聚类中。经过几次迭代器应该会收敛。

由于聚类使用距离度量来确定哪些样本是相似的，因此其行为可能会根据数据的规模而发生变化。你可以将数据标准化，将所有特征放在同一比例尺上。有些人认为，如果标度暗示某些特征更重要，中小型企业可能会建议不要标准化。在本例中，我们将对数据进行标准化处理。

在本例中，我们将对泰坦尼克号乘客进行聚类。我们将从两个聚类开始，看看聚类是否能区分存活率（我们不会将存活率数据泄露到聚类中，并且只会使用X ，而不是y ）。

无监督算法有.fit 方法和.predict 方法。我们只将X 传入.fit ：

>>> from sklearn.cluster import KMeans
>>> X_std = preprocessing.StandardScaler().fit_transform(
...     X
... )
>>> km = KMeans(2, random_state=42)
>>> km.fit(X_std)
KMeans(algorithm='auto', copy_x=True,
  init='k-means', max_iter=300,
  n_clusters=2, n_init=10, n_jobs=1,
  precompute_distances='auto',
  random_state=42, tol=0.0001, verbose=0)

模型训练完成后，我们可以调用.predict 方法将新样本分配到聚类中：

>>> X_km = km.predict(X)
>>> X_km
array([1, 1, 1, ..., 1, 1, 1], dtype=int32)

实例参数：

n_clusters=8

要创建的聚类数量。

init='kmeans++'

初始化方法。

n_init=10

使用不同中心点运行算法的次数。得分最高者获胜。

max_iter=300

运行的迭代器次数。

tol=0.0001

收敛前的容差。

precompute_distances='auto'

预计算距离（占用更多内存，但速度更快）。如果n_samples *n_clusters 小于或等于 1200 万，auto 将进行预计算。

verbose=0

随机种子。

random_state=None

随机种子。

copy_x=True

计算前复制数据。

n_jobs=1

使用的 CPU 数量。

algorithm='auto'

K-means 算法。'full' 适用于稀疏数据，但'elkan' 效率更高。'auto' 使用'elkan' 处理密集数据。

属性：

cluster_centers_

中心坐标

labels_ ...