Python无监督学习

第3章　高级聚类

在本章中，我们将继续探索可用于非凸任务（例如K-means 无法同时获取内聚和分离，典型的示例是交错的几何结构）的更加复杂的聚类算法。我们还将演示如何将基于密度的算法应用于复杂数据集，以及如何根据所需结果正确选择超参数和评估性能。通过这种方式，数据科学家可以在面对不同类型的问题时，排除价值较低的解决方案，而只专注于最有希望的解决方案。

本章将着重讨论以下主题。

• 谱聚类。
• 均值漂移。
• 基于密度的噪声应用空间聚类（Density-based Spatial Clustering of Applications with Noise，DBSCAN）。
• 其他评估指标：Calinski-Harabasz分数和聚类不稳定性。
• K-medoids。
• 联机聚类（Mini-batch K-means以及使用层次结构的平衡迭代减少和聚类（Balanced Iterative Reducing and Clustering using Hierarchies，BIRCH））。

3.1　技术要求

本章中的代码需求如下。

• Python 3.5+（强烈推荐Anaconda发行版）。
• 库。
  • SciPy 0.19+。
  • NumPy 1.10+。
  • scikit-learn 0.20+。
  • pandas 0.22+。
  • Matplotlib 2.0+。
  • seaborn 0.9+。

数据集可以通过UCI数据集获得，除了在加载阶段添加列名外，不需要任何预处理。

示例代码可在本书配套的代码包获得。

3.2　谱聚类

可以管理非凸簇的最常见的一种算法是谱聚类。其主要思想是将数据集X投影到可以通过超球体捕获聚类的空间（例如使用K-means）。用不同的方式都可以实现这一结果，但是由于算法的目标是去除通用形状区域的凹陷，第一步始终是用图形 ...