案例4：機器學習--使用k-means對不同品牌啤酒進行聚類分析
一、聚類演算法簡介
1。1 聚類演算法的概念
一種典型的
無監督
學習演算法，主要用於將相似的樣本自動歸到一個類別中。
在聚類演算法中根據樣本之間的相似性，將樣本劃分到不同的類別中，對於不同的相似度計算方法，會得到不同的聚類結果，常用的相似度計算方法有
歐式距離法
。
1。2 聚類演算法在現實中的應用
使用者畫像，廣告推薦，Data Segmentation，搜尋引擎的流量推薦，惡意流量識別
基於位置資訊的商業推送，新聞聚類，篩選排序
影象分割，降維，識別；離群點檢測；信用卡異常消費；發掘相同功能的基因片段
聚類演算法是無監督的學習演算法，而分類演算法屬於監督的學習演算法。本文主要介紹聚類演算法中的k-means演算法
二、k-means演算法介紹
2。1 聚類流程分析
事先
確定常數K
，常數K意味著最終的聚類類別數；
首先隨機
選定初始點為質心
，並透過計算每一個樣本與質心之間的相似度（這裡為歐式距離），將樣本點歸到最相似的類中，
接著，
重新計算
每個類的質心（即為類中心），重複這樣的過程，直到
質心不再改變
，
最終就確定了每個樣本所屬的類別以及每個類的質心。
2。2 流程體驗
以下連結是動態實現k-means的影象化展示網站，只需要滑鼠點點點，即可感受其聚類流程！
2。3 API使用
sklearn。cluster。KMeans（n_clusters=8）
引數：
n_clusters：開始的聚類中心數量
整型，預設值=8，生成的聚類數，即產生的質心（centroids）數。
方法：
estimator。fit（x）
estimator。predict（x）
estimator。fit_predict（x）
計算聚類中心並預測每個樣本屬於哪個類別，相當於先呼叫fit（x），然後再呼叫predict（x
2。4 聚類效果展示
需求分析：隨機建立不同二維資料集作為訓練集，使用k-means進行聚類展示。
# 建立資料集
import
matplotlib。pyplot
as
plt
from
sklearn。datasets。samples_generator
import
make_blobs
from
sklearn。cluster
import
KMeans
# 資料集描述
# x為特徵，y為類別。一共1000個樣本，4蔟
# 蔟的中心點設定為［-1， -1］ ［0， 0］ ［1， 1］ ［2， 2］
X
，
y
=
make_blobs
（
n_samples
=
1000
，
n_features
=
2
，
centers
=
［［
-
1
，
-
1
］，［
0
，
0
］，［
1
，
1
］，［
2
，
2
］］，
cluster_std
=
［
0。3
，
0。4
，
0。2
，
0。2
］，
random_state
=
22
）
# cluster_std：設定的每一簇資料的標準差
# 資料視覺化
plt
。
scatter
（
X
［：，
0
］，
X
［：，
1
］，
marker
=
“o”
）
# 取樣本的前兩個特徵
plt
。
show
（）
# 機器學習：k-means聚類
y_pred
=
KMeans
（
n_clusters
=
4
，
random_state
=
22
，）
。
fit_predict
（
X
）
# 此處k值為4，即分為兩類
# 可以嘗試將n_clusters設定不同的值，檢視分類效果
plt
。
scatter
（
X
［：，
0
］，
X
［：，
1
］，
c
=
y_pred
）
plt
。
show
（）
三、 K-Means演算法小結
優點：（
簡單快速適合常規資料集
）
原理簡單（靠近中心點），實現容易
聚類效果中上（依賴K的選擇）
空間複雜度o（N），時間複雜度o（I
K
N）
缺點：
K值不確定（嘗試不同的K值才知道那個值最好）
複雜度和樣本呈線性關係
很難發現任意形狀的簇
如任意形狀的簇（看到這個圖形，會不會想到案例3的支援向量機？）
【注意】：當K值合適時，由於K-Means演算法原理，初始化的K個質心是隨意取值，可能會出現意外結果，這是演算法本身的特點導致的。（大家可以使用上面推薦的網站進行嘗試）例如：
預期效果：
實際效果：
四、案例：使用K-Means對不同品牌啤酒聚類分析
import
pandas
as
pd
beer
=
pd
。
read_csv
（
“。/data。txt”
，
sep
=
“ ”
）
X
=
beer
［［
“calories”
，
“sodium”
，
“alcohol”
，
“cost”
］］
# 機器學習（K-Means聚類）
km2
=
KMeans
（
n_clusters
=
2
）
。
fit
（
X
）
# 取值k=2
km3
=
KMeans
（
n_clusters
=
3
）
。
fit
（
X
）
# 取值k=3
（
“當k=2時聚類結果：”
，
km2
。
labels_
）
（
“當k=3時聚類結果：”
，
km3
。
labels_
）
# 圖形化展示聚類效果（k=3）
from
pandas。tools。plotting
import
scatter_matrix
import
matplotlib。pyplot
as
plt
import
numpy
as
np
plt
。
rcParams
［
‘font。size’
］
=
14
colors
=
np
。
array
（［
‘red’
，
‘green’
，
‘blue’
，
‘yellow’
］）
plt
。
scatter
（
beer
［
“calories”
］，
beer
［
“alcohol”
］，
c
=
colors
［
beer
［
“cluster3”
］］）
plt
。
scatter
（
centers
。
calories
，
centers
。
alcohol
，
linewidths
=
3
，
marker
=
‘+’
，
s
=
300
，
c
=
‘black’
）
plt
。
xlabel
（
“Calories”
）
plt
。
ylabel
（
“Alcohol”
）
scatter_matrix
（
beer
［［
“calories”
，
“sodium”
，
“alcohol”
，
“cost”
］］，
s
=
100
，
alpha
=
1
，
c
=
colors
［
beer
［
“cluster3”
］］，
figsize
=
（
10
，
10
））
plt
。
suptitle
（
“With 3 centroids initialized”
）
附案例程式碼：
拓展：DBSCAN聚類算反
一、DBSCAN演算法簡介
1。1 引入
前面一篇文章（案例4）介紹了使用K-Means聚類演算法進行資料分類，那麼任意形狀的簇如何分類呢？
很明顯使用K-Means很難對上面的圖形進行分類，而使用DBSCAN演算法卻有很好的效果。
1。2 演算法原理
基本概念：
核心物件
：若某個點的密度達到演算法設定的閾值則其為核心點。（即 r 鄰域內點的數量不小於 minPts）
ϵ-鄰域的距離閾值
：設定的半徑r
直接密度可達
：若某點p在點q的 r 鄰域內，且q是核心點則p-q直接密度可達。
密度可達
：若有一個點的序列q0、 q1、 …qk，對任意qi-qi-1是直接密度可達的，則稱從q到qk密度可達，這實際上是直接密度可達的“傳播”。
密度相連
：若從某核心點p出發，點q和點k都是密度可達的，則稱點q和點k是密度相連的。
邊界點
：屬於某一個類的非核心點，不能發展下線了
直接密度可達
：若某點p在點q的 r 鄰域內，且q是核心點則p-q直接密度可達。
噪聲點
：不屬於任何一個類簇的點，從任何一個核心點出發都是密度不可達的
1。3 演算法小結
優勢：
不需要指定簇的個數
可以發現任意形狀的簇
擅長找到離群點
只需要兩個引數
劣勢：
處理高維資料有些困難（可以做降維）
引數難以選擇（引數對結果的影響非常大）
Sklearn中效率低（資料削減策略）
二、程式碼實現
詳細請參考：
待更新。。。