内容简介: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。提供给无监督算法的数据是没有标记的,这意味着只给出输入变量(X)而没有相应的输出变量。在无监督学习中,算法自己来发现数据中有趣的结构。人工智能研究主任 Yan Lecun 解释说,无监督学习 —— 在不明确告诉他们所做的一切是对还是错的情况下教机器自我学习 —— 是“真正的”人工智能的关键所在。在监督学习中,系统试图从先前给出的示例中学习。(另一方面,在无监督学习中,系统会尝试直接从给定的示例中查找模式。)因此,如果数据集被标记则为监督问题,如果数据集未
- 原文地址: Unsupervised Learning with Python
- 原文作者:Vihar Kurama
- 译文出自: 掘金翻译计划
- 本文永久链接: github.com/xitu/gold-m…
- 译者: zhmhhu
- 校对者: jianboy , 7Ethan
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。提供给无监督算法的数据是没有标记的,这意味着只给出输入变量(X)而没有相应的输出变量。在无监督学习中,算法自己来发现数据中有趣的结构。
人工智能研究主任 Yan Lecun 解释说,无监督学习 —— 在不明确告诉他们所做的一切是对还是错的情况下教机器自我学习 —— 是“真正的”人工智能的关键所在。
监督学习 Vs 无监督学习。
在监督学习中,系统试图从先前给出的示例中学习。(另一方面,在无监督学习中,系统会尝试直接从给定的示例中查找模式。)因此,如果数据集被标记则为监督问题,如果数据集未标记,则是无监督问题。
上面的图像是监督学习的一个例子; 我们使用回归算法找到特征之间的最佳拟合线。在无监督学习中,输入的数据以特征为基础而被分隔成不同的群集,并且预测它所属的群集。
重要术语
Feature: 用于进行预测的输入变量。
Predictions:输入示例时的模型输出。
Example: 一行数据集。一个 example 包含一个或多个特征以及可能的标签。
Label:特征结果。
无监督学习数据准备
在本文中,我们使用鸢尾花(Iris)数据集进行第一次预测。数据集包含一组有 150 个记录的集合,拥有 5 个属性 —— 花瓣长度、花瓣宽度、萼片长度、萼片宽度和类别。Iris Setosa、Iris Virginica 和 Iris Versicolor 是这三个类别。在我们的无监督算法中,我们给出了鸢尾花的这四个特征并预测它属于哪个类别。
我们使用 Python 中的 sklearn 库来加载鸢尾花数据集,使用 matplotlib 库来实现数据可视化。以下是用于研究数据集的代码段。
# 引入模块 from sklearn import datasets import matplotlib.pyplot as plt # 加载数据集 iris_df = datasets.load_iris() # 数据集上的可用方法 print(dir(iris_df)) # 特征 print(iris_df.feature_names) # 目标 print(iris_df.target) # 目标名称 print(iris_df.target_names) label = {0: 'red', 1: 'blue', 2: 'green'} # 数据集切片 x_axis = iris_df.data[:, 0] # Sepal Length y_axis = iris_df.data[:, 2] # Sepal Width # 绘制 plt.scatter(x_axis, y_axis, c=iris_df.target) plt.show() 复制代码
['DESCR', 'data', 'feature_names', 'target', 'target_names'] ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'] [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 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 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 2 2] ['setosa' 'versicolor' 'virginica'] 复制代码
紫色:Setosa,绿色: Versicolor,黄色:Virginica
聚类
在群集中,数据分为几组。简而言之,目的是将具有相似特征的群体分开并将其分配到对应的群集中。
可视化的例子,
在上图中,左边的图像是未进行分类的原始数据,右边的图像是聚类的(数据根据其特征进行分类)。当给出要预测的输入时,它根据它的特征检查它所属的群集,并进行预测。
Python 中的 K-均值 聚类算法
K 均值是一种迭代聚类算法,旨在在每次迭代中找到局部最大值。最初选择所需数量的群集。由于我们知道涉及 3 个类别,因此我们将算法编程为将数据分组为 3 个类别,方法是将参数 “n_clusters” 传递给我们的 K 均值模型。现在随机将三个点(输入)分配到三个群集中。基于每个点之间的质心距离,下一个给定的输入被分配到相应的群集。现在,重新计算所有群集的质心。
群集的每个质心都是一组特征值,用于定义结果组。检查质心特征权重可用于定性地解释每个群集代表什么类型的组。
我们从 sklearn 库导入 K 均值模型,拟合特征并预测。
Python 中的 K 均值算法实现。
# 引入模块 from sklearn import datasets from sklearn.cluster import KMeans # 加载数据集 iris_df = datasets.load_iris() # 声明模型 model = KMeans(n_clusters=3) # 拟合模型 model.fit(iris_df.data) # 预测单个输入 predicted_label = model.predict([[7.2, 3.5, 0.8, 1.6]]) # 预测整个数据 all_predictions = model.predict(iris_df.data) # 打印预测结果 print(predicted_label) print(all_predictions) 复制代码
[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 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 2 1 2 1 1 1 1 2 1 1 1 1 1 1 2 2 1 1 1 1 2 1 2 1 2 1 1 2 2 1 1 1 1 1 2 1 1 1 1 2 1 1 1 2 1 1 1 2 1 1 2] 复制代码
分层聚类
顾名思义,分层聚类是一种构建聚类层次结构的算法。该算法从分配给自己的群集的所有数据开始。然后将两个最接近的群集合并到同一群集中。最后,当只剩下一个群集时,该算法结束。
可以使用树形图显示分层聚类的完成过程。现在让我们看一下谷物数据的层次聚类的例子。数据集可以在这里找到。
Python 中分层聚类算法的实现。
# 引入模块 from scipy.cluster.hierarchy import linkage, dendrogram import matplotlib.pyplot as plt import pandas as pd # 读入 DataFrame seeds_df = pd.read_csv( "https://raw.githubusercontent.com/vihar/unsupervised-learning-with-python/master/seeds-less-rows.csv") # 从 DataFrame 中删除谷物种类,稍后再保存 varieties = list(seeds_df.pop('grain_variety')) # 将测量值提取为 NumPy 数组 samples = seeds_df.values """ 使用带有 method ='complete' 关键字参数的 linkage()函数对样本执行分层聚类。 将结果合并。 """ mergings = linkage(samples, method='complete') """ 在合并时使用 dendrogram() 函数绘制树形图, 指定关键字参数 labels = varieties,leaf_rotation = 90 和 leaf_font_size = 6。 """ dendrogram(mergings, labels=varieties, leaf_rotation=90, leaf_font_size=6, ) plt.show() 复制代码
K 均值和分层聚类之间的差异
- 分层聚类不能很好地处理大数据,但 K 均值聚类可以。这是因为 K 均值的时间复杂度是线性的,即 O(n),而分层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,通过多次运行算法生成的结果可能会有所不同。然而在分层聚类中结果是可重现的。
- 当群集的形状是超球形时(如 2D 中的圆圈,3D 中的球体),我们发现 K 均值工作良好。
- K-均值不允许噪声数据,而在分层聚类中我们可以直接使用噪声数据集进行聚类。
t-SNE聚类
它是可视化的无监督学习方法之一。t-SNE 代表 t 分布的随机嵌入邻域 。它将高维空间映射到可以可视化的 2 维或 3 维空间。具体地,它通过二维或三维点对每个高维对象建模,使得相似对象由附近点建模,而非相似对象由远点以高概率建模。
用于鸢尾花数据集的 Python 中的 t-SNE 聚类实现
# 引入模块 from sklearn import datasets from sklearn.manifold import TSNE import matplotlib.pyplot as plt # 加载数据集 iris_df = datasets.load_iris() # 定义模型 model = TSNE(learning_rate=100) # 拟合模型 transformed = model.fit_transform(iris_df.data) # 绘制二维的 t-Sne x_axis = transformed[:, 0] y_axis = transformed[:, 1] plt.scatter(x_axis, y_axis, c=iris_df.target) plt.show() 复制代码
紫色:Setosa,绿色:Versicolor,黄色:Virginica
这里,由于鸢尾花数据集具有四个特征(4d),因此它被转换并以二维图形表示。类似地,t-SNE 模型可以应用于具有 n 个特征的数据集。
DBSCAN 聚类
DBSCAN(具有噪声的基于密度的聚类方法)是一种流行的聚类算法,用于替代预测分析中的 K 均值。它不需要输入群集的数量就能运行。但是,你必须调整另外两个参数。
scikit-learn 实现提供了 eps 和 min_samples 参数的默认值,但是你通常需要调整这些参数。eps 参数是要在同一邻域中考虑的两个数据点之间的最大距离。min_samples 参数是邻域中被视为群集的数据点的最小数量。
Python 中的 DBSCAN 聚类
# 引入模块 from sklearn.datasets import load_iris import matplotlib.pyplot as plt from sklearn.cluster import DBSCAN from sklearn.decomposition import PCA # 加载数据集 iris = load_iris() # 声明模型 dbscan = DBSCAN() # 拟合 dbscan.fit(iris.data) # 使用PCA进行转换 pca = PCA(n_components=2).fit(iris.data) pca_2d = pca.transform(iris.data) # 基于类别进行绘制 for i in range(0, pca_2d.shape[0]): if dbscan.labels_[i] == 0: c1 = plt.scatter(pca_2d[i, 0], pca_2d[i, 1], c='r', marker='+') elif dbscan.labels_[i] == 1: c2 = plt.scatter(pca_2d[i, 0], pca_2d[i, 1], c='g', marker='o') elif dbscan.labels_[i] == -1: c3 = plt.scatter(pca_2d[i, 0], pca_2d[i, 1], c='b', marker='*') plt.legend([c1, c2, c3], ['Cluster 1', 'Cluster 2', 'Noise']) plt.title('DBSCAN finds 2 clusters and Noise') plt.show() 复制代码
更多无监督技术:
- 主成分分析 (PCA)
- 异常检测
- 自动编码
- 深度信念网络
- 赫布型学习
- 生成式对抗网络(GANs)
- 自组织映射
重要链接:
Python 中的监督学习算法.
- 用 Python 进行监督学习 :为什么是人工智能和机器学习
- 机器学习简介 :机器学习是一个从实例和经验中进行学习的思想,它没有明确编程方法。
- 使用 Python 进行深度学习 :模仿人类的大脑。
- 用于深度学习的线性代数 :每个深度学习程序背后的数学。
后记
感谢阅读。如果你发现这篇文章有用,请点击下面的 :heart: 来传递爱吧。
如果发现译文存在错误或其他需要改进的地方,欢迎到 掘金翻译计划 对译文进行修改并 PR,也可获得相应奖励积分。文章开头的 本文永久链接 即为本文在 GitHub 上的 MarkDown 链接。
掘金翻译计划 是一个翻译优质互联网技术文章的社区,文章来源为掘金 上的英文分享文章。内容覆盖 Android 、 iOS 、 前端 、 后端 、 区块链 、 产品 、 设计 、 人工智能 等领域,想要查看更多优质译文请持续关注 掘金翻译计划 、官方微博、 知乎专栏 。
以上所述就是小编给大家介绍的《[译] Python 中的无监督学习算法》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- 监督学习算法
- 无监督学习——聚类(clustering)算法应用初探
- 监督式机器学习算法的应用:择时【附源码】
- 基于排序思想的弱监督关系抽取选种与降噪算法
- CurriculumNet:基于大规模网络图像的弱监督学习算法
- 更少的标签,更好的学习,谷歌半监督学习算法FixMatch
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
JavaScript经典实例
Shelley Powers / 李强 / 中国电力出版社 / 2012-3 / 78.00元
《JavaScript经典实例》各节中的完整代码解决了常见的编程问题,并且给出了在任何浏览器中构建Web应用程序的技术。只需要将这些代码示例复制并粘贴到你自己的项目中就行了,可以快速完成工作,并且在此过程中学习JavaScript的很多知识。你还将学习如何利用ECMAScript5和HTML5中的最新功能,包括新的跨域挂件通信技术、HTML5的video和audio元素,以及绘制画布。《JavaS......一起来看看 《JavaScript经典实例》 这本书的介绍吧!