无监督学习(部分代码有错误更改中)
着重于发现数据本身的分布特点 （不需要对数据进行标记）节省大量人力 数据规模不可限量
1 发现数据群落 数据聚类 也可以寻找 离群样本
2 特征降维 保留数据具有区分性的低维特征
这些都是在海量数据处理中非常实用的技术
数据聚类
K均值算法（预设聚类的个数 不断更新聚类中心 迭代 ，是所有数据点到其所属聚类中心距离平方和趋于稳定）
过程
①首先 随机布设K个特证空间内的点作为初始的聚类中心
②然后 对于根据每个数据的特长向量 从K个聚类中心中 寻找距离最近的一个 并且把该数据标记为从属与这个聚类中心
③接着 在所有数据都被标记了聚类中心之后 根据这些数据新分配的类簇 重新对K个聚类中心做计算
④如果一轮下来 所有数据从属的聚类中心与上一次的分配的类簇没有变化 那么迭代可以 停止 否则回到②继续循环
K-mans算法在手写体数字图像数据上的使用示例
import numpy as np import matplotlib.pyplot as plt import pandas as pd from sklearn.cluster import KMeans #使用panda 读取训练数据集 和 测试数据集 digits_train = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tra',header=None) digits_test=pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tes',header=None) #从训练数据集与测试数据集上都分离出64维度的像素特征与1维度的数字目标 x_train=digits_train[np.arange(64)]#np.arange y_train=digits_train[64] x_test=digits_test[np.arange(64)] y_test=digits_test[64] #初始化Kmeans 模型 并设置聚类中心数量为10 kmeans=KMeans(n_clusters=10) kmeans.fit(x_train,y_train) y_predict=kmeans.predict(x_test) #使用ARI 进行K-means 聚类性能评估 from sklearn import metrics print(metrics.adjusted_rand_score(y_test,y_predict))
性能测评：
①被用来评估的数据本身带有正确的类别信息 使用ARI ARI指标与分类问题中计算准确性的方法类似，同时也兼顾到了类簇无法和分类标记一一对应的问题
②如果被用于评估的数据没有所属类别，那么我们习惯使用轮廓系数来度量聚类结果的质量。轮廓系数同时兼顾了聚类的凝聚度和分离度
用于评估聚类的效果并取值范围为[-1,1]。轮廓系数值越大，表示聚类效果越好。
具体计算步骤如下（暂略）
利用轮廓系数评价不同类簇数量的K-maens聚类实例（改错中）
“ 肘部 ” 观察法示例
import numpy as np from sklearn.cluster import KMeans from scipy.spatial.distance import cdist import matplotlib.pyplot as plt #使用均匀分布函数随机三个簇，每个簇周围有10个样本 cluster1=np.random.uniform(0.5,1.5,(2,10)) cluster2=np.random.uniform(5.5,6.5,(2,10)) cluster3=np.random.uniform(3.0,4.0,(2,10)) #绘制30个数据样本的分布图像 x=np.hstack((cluster1,cluster2,cluster3)).T plt.scatter(x[:,0],x[:,1]) plt.xlabel('x1') plt.ylabel('x2') plt.show() #测试9种不同聚类中心数量下 每种情况的聚类质量 并作图 K=range(1,10) meandistotrtions=[] for k in K: kmeans=KMeans(n_clusters=k) kmeans.fit(x) meandistotrtions.append(sum(np.min(cdist(x,kmeans.cluster_centers_,'euclidean'),axis=1))/x.shape[0]) plt.plot(K,meandistotrtions,'bx-') plt.xlabel('k') plt.ylabel('Average Dispersion') plt.title('Selecting k with the Elbow Method') plt.show()
输出图片：
特征降维
1实际项目中遭遇特征维度非常之高的训练样本，而往往又无法凭借自己的领域知识人工构建有效特征
2肉眼只能观测三个维度的特征 降低数据维度 同时也维数据展现提供了可能
主成分分析（PCA分析）
线性相关矩阵秩的计算样例
import numpy as np M=np.array([[1,2],[2,4]]) np.linalg.matrix_rank(M,tol=None)
如果使用PCA分析的话 这个矩阵的 秩 是1 也就是说 在多样性程度上这个矩阵只有一个自由度
我们可以把PCA当作特征选择，只是和普通理解的不同，这种特征选择是首先把原来的特征空间做了映射，使得新的映射后特征空间的数据彼此正交。
这样一来，我们通过主成分分析就尽可能保留下具有区分性的低纬数据特征。
显示手写体数字图片经PCA压缩后的二维空间分布
import pandas as pd import numpy as np #导入PCA from sklearn.decomposition import PCA from matplotlib import pyplot as plt #使用panda 读取训练数据集 和 测试数据集 digits_train = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tra',header=None) digits_test=pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tes',header=None) #从训练数据集与测试数据集上都分离出64维度的像素特征与1维度的数字目标 x_digits=digits_train[np.arange(64)]#np.arange y_digits=digits_train[64] #初始化一个可以将到尾都特征向量（六十四维）压缩值二个维度的PCA estimator=PCA(n_components=2) x_pca=estimator.fit_transform(x_digits) #显示10类手写体数字图片经过PCA压缩后的2 维空间分布 def plot_scatter(): colors=['black','blue','purple','yellow','white','red','lime','cyan','orange','gray'] for i in range(len(colors)): px = x_pca[:,0][y_digits.as_matrix() ==i] py = x_pca[:, 1][y_digits.as_matrix() == i] plt.scatter(px,py,c=colors) plt.legend(np.arange(0,10).astype(str)) plt.xlabel('First Principal Component') plt.ylabel('Second Principal Component') plt.show() plot_scatter()
输出图片：
使用原始像素特征和经PCA压缩重建的低维特征，在相同配置的支持向量机（分类）模型上分别进行图像识别
import pandas as pd import numpy as np from sklearn.svm import LinearSVC#基于线性核函数的支持向量机分类器 #导入PCA from sklearn.decomposition import PCA from sklearn.metrics import classification_report #使用panda 读取训练数据集 和 测试数据集 digits_train = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tra',header=None) digits_test=pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tes',header=None) #从训练数据集与测试数据集上都分离出64维度的像素特征与1维度的数字目标 x_train=digits_train[np.arange(64)]#np.arange y_train=digits_train[64] x_test=digits_test[np.arange(64)]#np.arange y_test=digits_test[64] #使用默认配置初始化LinearSVC 对原始六十四维像素特征的训练数据进行建模，并在测试数据上做出预测 存储在y_predict中 svc=LinearSVC() svc.fit(x_train,y_train) y_predict=svc.predict(x_test) #使用PCA 将数据压缩到20个维度 estimator=PCA(n_components=20) #利用训练特征决定（fit）20个正交维度的方向，并转化（transform）原训练特征 pca_x_train=estimator.fit_transform(x_train) #测试特征也按照上述的20个正交维度方向进行转化 pca_x_test=estimator.transform(x_test) #使用默认配置初始化LinearSVC 对压缩后的二十维特征的训练数据进行建模 并在测试数据上做出预测 存储在pca_y_predict 中 pca_svc=LinearSVC() pca_svc.fit(pca_x_train,y_train) pca_y_predict=pca_svc.predict(pca_x_test) print(svc.score(x_test,y_test)) print(classification_report(y_test, y_predict,target_names=np.arange(10).astype(str))) print(pca_svc.score(pca_x_test,y_test)) print(classification_report(y_test, pca_y_predict,target_names=np.arange(10).astype(str)))