8 Clustering Algorithms in Machine Learning, som alle dataforskere bør kende

Der er tre forskellige tilgange til maskinindlæring afhængigt af de data, du har. Du kan gå med overvåget læring, semi-overvåget læring eller uden opsyn læring.

I overvåget læring har du mærket data, så du har output, som du helt sikkert ved, er de korrekte værdier for dine input. Det er som at kende bilpriser baseret på funktioner som mærke, model, stil, drivlinje og andre attributter.

Med semi-overvåget læring har du et stort datasæt, hvor nogle af dataene er mærket, men det meste er det ikke.

Dette dækker en stor mængde data fra den virkelige verden, fordi det kan være dyrt at få en ekspert til at mærke hvert datapunkt. Du kan omgå dette ved at bruge en kombination af overvåget og ikke-overvåget læring.

Uovervåget læring betyder, at du har et datasæt, der er helt umærket. Du ved ikke, om der er mønstre skjult i dataene, så du overlader det til algoritmen at finde noget, det kan.

Det er her klyngealgoritmer kommer ind. Det er en af ​​de metoder, du kan bruge i et ikke-overvåget læringsproblem.

Hvad er klyngealgoritmer?

Klyngedannelse er en maskineindlæringsopgave uden tilsyn. Du kan også høre dette kaldet klyngeanalyse på grund af den måde, denne metode fungerer på.

Brug af en klyngealgoritme betyder, at du vil give algoritmen en masse inputdata uden etiketter og lade den finde eventuelle grupperinger i de data, den kan.

Disse grupperinger kaldes klynger . En klynge er en gruppe datapunkter, der ligner hinanden baseret på deres forhold til omgivende datapunkter. Clustering bruges til ting som funktionsteknik eller mønsteropdagelse.

Når du starter med data, du ikke ved noget om, kan klynger være et godt sted at få indsigt.

Typer af klyngealgoritmer

Der er forskellige typer klyngealgoritmer, der håndterer alle slags unikke data.

Tæthedsbaseret

I tæthedsbaseret gruppering grupperes data efter områder med høje koncentrationer af datapunkter omgivet af områder med lave koncentrationer af datapunkter. Dybest set finder algoritmen de steder, der er tætte med datapunkter, og kalder disse klynger.

Det fantastiske ved dette er, at klyngerne kan være i enhver form. Du er ikke begrænset til forventede forhold.

Klyngealgoritmerne under denne type prøver ikke at tildele outliers til klynger, så de bliver ignoreret.

Distributionsbaseret

Med en distributionsbaseret klyngetilgang betragtes alle datapunkterne som dele af en klynge baseret på sandsynligheden for, at de tilhører en given klynge.

Det fungerer sådan her: der er et center-punkt, og når afstanden fra et datapunkt til centrum øges, falder sandsynligheden for, at det er en del af klyngen.

Hvis du ikke er sikker på, hvordan fordelingen i dine data kan være, bør du overveje en anden type algoritme.

Centroid-baseret

Centroid-baseret klynger er den, du sandsynligvis hører mest om. Det er lidt følsomt over for de oprindelige parametre, du giver det, men det er hurtigt og effektivt.

Disse typer algoritmer adskiller datapunkter baseret på flere centroider i dataene. Hvert datapunkt tildeles en klynge baseret på dens kvadratiske afstand fra centroid. Dette er den mest anvendte type klyngedannelse.

Hierarkisk-baseret

Hierarkisk-baseret klyngedannelse bruges typisk på hierarkiske data, som du ville få fra en virksomhedsdatabase eller taksonomier. Det bygger et klyngetræ, så alt er organiseret ovenfra og ned.

Dette er mere begrænsende end de andre klyngetyper, men det er perfekt til specifikke typer datasæt.

Hvornår skal man bruge klyngedannelse

Når du har et sæt umærkede data, er det meget sandsynligt, at du bruger en slags ikke-overvåget læringsalgoritme.

Der er mange forskellige ikke-overvågede læringsteknikker, såsom neurale netværk, forstærkningslæring og klyngedannelse. Den specifikke type algoritme, du vil bruge, afhænger af, hvordan dine data ser ud.

Det kan være en god idé at bruge klyngedannelse, når du forsøger at foretage anomaliedetektion for at prøve at finde outliers i dine data. Det hjælper ved at finde disse grupper af klynger og vise de grænser, der vil afgøre, om et datapunkt er en outlier eller ej.

Hvis du ikke er sikker på, hvilke funktioner du skal bruge til din maskinlæringsmodel, opdager klynger mønstre, du kan bruge til at finde ud af, hvad der skiller sig ud i dataene.

Klyngedannelse er især nyttig til at udforske data, du ikke ved noget om. Det kan tage lidt tid at finde ud af, hvilken type klyngealgoritme, der fungerer bedst, men når du gør det, får du uvurderlig indsigt i dine data. Du kan muligvis finde forbindelser, du aldrig ville have tænkt på.

Nogle klyngeapplikationer fra den virkelige verden inkluderer afsløring af svig i forsikring, kategorisering af bøger i et bibliotek og kundesegmentering inden for markedsføring. Det kan også bruges i større problemer som jordskælvsanalyse eller byplanlægning.

Top 8 grupperingsalgoritmer

Nu hvor du har lidt baggrund for, hvordan klyngealgoritmer fungerer, og de forskellige typer tilgængelige, kan vi tale om de faktiske algoritmer, du ofte ser i praksis.

Vi implementerer disse algoritmer på et eksempel på datasæt fra sklearn-biblioteket i Python.

Vi bruger make_classification- datasættet fra sklearn-biblioteket til at demonstrere, hvordan forskellige klyngealgoritmer ikke passer til alle klyngeproblemer.

Du kan finde koden til alle følgende eksempler her.

K-betyder klyngealgoritme

K-betyder klyngedannelse er den mest anvendte klyngealgoritme. Det er en centroid-baseret algoritme og den enkleste ikke-overvågede læringsalgoritme.

Denne algoritme forsøger at minimere variansen af ​​datapunkter i en klynge. Det er også, hvordan de fleste mennesker introduceres til maskinlæring uden tilsyn.

K-middel bruges bedst på mindre datasæt, fordi det gentager sig over alle datapunkterne. Det betyder, at det tager mere tid at klassificere datapunkter, hvis der er en stor mængde af dem i datasættet.

Da dette er, hvordan k-betyder klyngedatapunkter, skaleres det ikke godt.

Implementering:

from numpy import unique from numpy import where from matplotlib import pyplot from sklearn.datasets import make_classification from sklearn.cluster import KMeans # initialize the data set we'll work with training_data, _ = make_classification(     n_samples=1000,     n_features=2,     n_informative=2,     n_redundant=0,     n_clusters_per_class=1,     random_state=4 ) # define the model kmeans_model = KMeans(n_clusters=2) # assign each data point to a cluster dbscan_result = dbscan_model.fit_predict(training_data) # get all of the unique clusters dbscan_clusters = unique(dbscan_result) # plot the DBSCAN clusters for dbscan_cluster in dbscan_clusters:     # get data points that fall in this cluster     index = where(dbscan_result == dbscan_clusters)     # make the plot     pyplot.scatter(training_data[index, 0], training_data[index, 1]) # show the DBSCAN plot pyplot.show()

DBSCAN-klyngealgoritme

DBSCAN står for tæthedsbaseret rumlig klyngedannelse af applikationer med støj. Det er en tæthedsbaseret klyngealgoritme, i modsætning til k-middel.

Dette er en god algoritme til at finde konturer i et datasæt. Det finder vilkårligt formede klynger baseret på tætheden af ​​datapunkter i forskellige regioner. Det adskiller regioner efter områder med lav densitet, så det kan opdage afvigelser mellem klynger med høj densitet.

Denne algoritme er bedre end k-betyder, når det kommer til at arbejde med mærkeligt formede data.

DBSCAN uses two parameters to determine how clusters are defined: minPts (the minimum number of data points that need to be clustered together for an area to be considered high-density) and eps (the distance used to determine if a data point is in the same area as other data points).

Choosing the right initial parameters is critical for this algorithm to work.

Implementation:

from numpy import unique from numpy import where from matplotlib import pyplot from sklearn.datasets import make_classification from sklearn.cluster import DBSCAN # initialize the data set we'll work with training_data, _ = make_classification(     n_samples=1000,     n_features=2,     n_informative=2,     n_redundant=0,     n_clusters_per_class=1,     random_state=4 ) # define the model dbscan_model = DBSCAN(eps=0.25, min_samples=9) # train the model dbscan_model.fit(training_data) # assign each data point to a cluster dbscan_result = dbscan_model.predict(training_data) # get all of the unique clusters dbscan_cluster = unique(dbscan_result) # plot the DBSCAN clusters for dbscan_cluster in dbscan_clusters:     # get data points that fall in this cluster     index = where(dbscan_result == dbscan_clusters)     # make the plot     pyplot.scatter(training_data[index, 0], training_data[index, 1]) # show the DBSCAN plot pyplot.show()

Gaussian Mixture Model algorithm

One of the problems with k-means is that the data needs to follow a circular format. The way k-means calculates the distance between data points has to do with a circular path, so non-circular data isn't clustered correctly.

This is an issue that Gaussian mixture models fix. You don’t need circular shaped data for it to work well.

The Gaussian mixture model uses multiple Gaussian distributions to fit arbitrarily shaped data.

There are several single Gaussian models that act as hidden layers in this hybrid model. So the model calculates the probability that a data point belongs to a specific Gaussian distribution and that's the cluster it will fall under.

Implementation:

from numpy import unique from numpy import where from matplotlib import pyplot from sklearn.datasets import make_classification from sklearn.mixture import GaussianMixture # initialize the data set we'll work with training_data, _ = make_classification(     n_samples=1000,     n_features=2,     n_informative=2,     n_redundant=0,     n_clusters_per_class=1,     random_state=4 ) # define the model gaussian_model = GaussianMixture(n_components=2) # train the model gaussian_model.fit(training_data) # assign each data point to a cluster gaussian_result = gaussian_model.predict(training_data) # get all of the unique clusters gaussian_clusters = unique(gaussian_result) # plot Gaussian Mixture the clusters for gaussian_cluster in gaussian_clusters:     # get data points that fall in this cluster     index = where(gaussian_result == gaussian_clusters)     # make the plot     pyplot.scatter(training_data[index, 0], training_data[index, 1]) # show the Gaussian Mixture plot pyplot.show()

BIRCH algorithm

The Balance Iterative Reducing and Clustering using Hierarchies (BIRCH) algorithm works better on large data sets than the k-means algorithm.

It breaks the data into little summaries that are clustered instead of the original data points. The summaries hold as much distribution information about the data points as possible.

This algorithm is commonly used with other clustering algorithm because the other clustering techniques can be used on the summaries generated by BIRCH.

The main downside of the BIRCH algorithm is that it only works on numeric data values. You can't use this for categorical values unless you do some data transformations.

Implementation:

from numpy import unique from numpy import where from matplotlib import pyplot from sklearn.datasets import make_classification from sklearn.cluster import Birch # initialize the data set we'll work with training_data, _ = make_classification(     n_samples=1000,     n_features=2,     n_informative=2,     n_redundant=0,     n_clusters_per_class=1,     random_state=4 ) # define the model birch_model = Birch(threshold=0.03, n_clusters=2) # train the model birch_model.fit(training_data) # assign each data point to a cluster birch_result = birch_model.predict(training_data) # get all of the unique clusters birch_clusters = unique(birch_result) # plot the BIRCH clusters for birch_cluster in birch_clusters:     # get data points that fall in this cluster     index = where(birch_result == birch_clusters)     # make the plot     pyplot.scatter(training_data[index, 0], training_data[index, 1]) # show the BIRCH plot pyplot.show() 

Affinity Propagation clustering algorithm

This clustering algorithm is completely different from the others in the way that it clusters data.

Each data point communicates with all of the other data points to let each other know how similar they are and that starts to reveal the clusters in the data. You don't have to tell this algorithm how many clusters to expect in the initialization parameters.

As messages are sent between data points, sets of data called exemplars are found and they represent the clusters.

An exemplar is found after the data points have passed messages to each other and form a consensus on what data point best represents a cluster.

When you aren't sure how many clusters to expect, like in a computer vision problem, this is a great algorithm to start with.

Implementation:

from numpy import unique from numpy import where from matplotlib import pyplot from sklearn.datasets import make_classification from sklearn.cluster import AffinityPropagation # initialize the data set we'll work with training_data, _ = make_classification(     n_samples=1000,     n_features=2,     n_informative=2,     n_redundant=0,     n_clusters_per_class=1,     random_state=4 ) # define the model model = AffinityPropagation(damping=0.7) # train the model model.fit(training_data) # assign each data point to a cluster result = model.predict(training_data) # get all of the unique clusters clusters = unique(result) # plot the clusters for cluster in clusters:     # get data points that fall in this cluster     index = where(result == cluster)     # make the plot     pyplot.scatter(training_data[index, 0], training_data[index, 1]) # show the plot pyplot.show()

Mean-Shift clustering algorithm

This is another algorithm that is particularly useful for handling images and computer vision processing.

Mean-shift is similar to the BIRCH algorithm because it also finds clusters without an initial number of clusters being set.

This is a hierarchical clustering algorithm, but the downside is that it doesn't scale well when working with large data sets.

It works by iterating over all of the data points and shifts them towards the mode. The mode in this context is the high density area of data points in a region.

That's why you might hear this algorithm referred to as the mode-seeking algorithm. It will go through this iterative process with each data point and move them closer to where other data points are until all data points have been assigned to a cluster.

Implementation:

from numpy import unique from numpy import where from matplotlib import pyplot from sklearn.datasets import make_classification from sklearn.cluster import MeanShift # initialize the data set we'll work with training_data, _ = make_classification(     n_samples=1000,     n_features=2,     n_informative=2,     n_redundant=0,     n_clusters_per_class=1,     random_state=4 ) # define the model mean_model = MeanShift() # assign each data point to a cluster mean_result = mean_model.fit_predict(training_data) # get all of the unique clusters mean_clusters = unique(mean_result) # plot Mean-Shift the clusters for mean_cluster in mean_clusters:     # get data points that fall in this cluster     index = where(mean_result == mean_cluster)     # make the plot     pyplot.scatter(training_data[index, 0], training_data[index, 1]) # show the Mean-Shift plot pyplot.show()

OPTICS algorithm

OPTICS stands for Ordering Points to Identify the Clustering Structure. It's a density-based algorithm similar to DBSCAN, but it's better because it can find meaningful clusters in data that varies in density. It does this by ordering the data points so that the closest points are neighbors in the ordering.

This makes it easier to detect different density clusters. The OPTICS algorithm only processes each data point once, similar to DBSCAN (although it runs slower than DBSCAN). There's also a special distance stored for each data point that indicates a point belongs to a specific cluster.

Implementation:

from numpy import unique from numpy import where from matplotlib import pyplot from sklearn.datasets import make_classification from sklearn.cluster import OPTICS # initialize the data set we'll work with training_data, _ = make_classification(     n_samples=1000,     n_features=2,     n_informative=2,     n_redundant=0,     n_clusters_per_class=1,     random_state=4 ) # define the model optics_model = OPTICS(eps=0.75, min_samples=10) # assign each data point to a cluster optics_result = optics_model.fit_predict(training_data) # get all of the unique clusters optics_clusters = unique(optics_clusters) # plot OPTICS the clusters for optics_cluster in optics_clusters:     # get data points that fall in this cluster     index = where(optics_result == optics_clusters)     # make the plot     pyplot.scatter(training_data[index, 0], training_data[index, 1]) # show the OPTICS plot pyplot.show()

Agglomerative Hierarchy clustering algorithm

This is the most common type of hierarchical clustering algorithm. It's used to group objects in clusters based on how similar they are to each other.

This is a form of bottom-up clustering, where each data point is assigned to its own cluster. Then those clusters get joined together.

At each iteration, similar clusters are merged until all of the data points are part of one big root cluster.

Agglomerative clustering is best at finding small clusters. The end result looks like a dendrogram so that you can easily visualize the clusters when the algorithm finishes.

Implementation:

from numpy import unique from numpy import where from matplotlib import pyplot from sklearn.datasets import make_classification from sklearn.cluster import AgglomerativeClustering # initialize the data set we'll work with training_data, _ = make_classification(     n_samples=1000,     n_features=2,     n_informative=2,     n_redundant=0,     n_clusters_per_class=1,     random_state=4 ) # define the model agglomerative_model = AgglomerativeClustering(n_clusters=2) # assign each data point to a cluster agglomerative_result = agglomerative_model.fit_predict(training_data) # get all of the unique clusters agglomerative_clusters = unique(agglomerative_result) # plot the clusters for agglomerative_cluster in agglomerative_clusters:     # get data points that fall in this cluster     index = where(agglomerative_result == agglomerative_clusters)     # make the plot     pyplot.scatter(training_data[index, 0], training_data[index, 1]) # show the Agglomerative Hierarchy plot pyplot.show()

Other types of clustering algorithms

We've covered eight of the top clustering algorithms, but there are plenty more than that available. There are some very specifically tuned clustering algorithms that quickly and precisely handle your data. Here are a few of the others that might be of interest to you.

There's another hierarchical algorithm that's the opposite of the agglomerative approach. It starts with a top-down clustering strategy. So it will start with one large root cluster and break out the individual clusters from there.

This is known as the Divisive Hierarchical clustering algorithm. There's research that shows this is creates more accurate hierarchies than agglomerative clustering, but it's way more complex.

Mini-Batch K-means is similar to K-means, except that it uses small random chunks of data of a fixed size so they can be stored in memory. This helps it run faster than K-means so it converges to a solution in less time.

The drawback to this algorithm is that the speed boost will cost you some cluster quality.

The last algorithm we'll briefly cover is Spectral Clustering. This algorithm is completely different from the others we've looked at.

It works by taking advantage of graph theory. This algorithm doesn't make any initial guesses about the clusters that are in the data set. It treats data points like nodes in a graph and clusters are found based on communities of nodes that have connecting edges.

Other thoughts

Watch out for scaling issues with the clustering algorithms. Your data set could have millions of data points, and since clustering algorithms work by calculating the similarities between all pairs of data points, you might end up with an algorithm that doesn’t scale well.

Conclusion

Clustering algorithms are a great way to learn new things from old data. Sometimes you'll be surprised by the resulting clusters you get and it might help you make sense of a problem.

En af de sejeste ting ved at bruge klyngedannelse til ikke-overvåget læring er, at du kan bruge resultaterne i et overvåget læringsproblem.

Klyngerne kan være dine nye funktioner, som du bruger på et helt andet datasæt! Du kan bruge klyngedannelse på næsten ethvert problem uden maskinovervågning uden opsyn, men sørg for at du ved, hvordan du analyserer resultaterne for nøjagtighed.