今天我正在尝试学习一些关于K-means的东西 . 我已经理解了算法,我知道它是如何工作的 . 现在我正在寻找正确的k ...我发现肘部标准作为检测正确k的方法,但我不明白如何使用它与scikit学习?!在scikit中学习我是以这种方式聚集事物
kmeans = KMeans(init='k-means++', n_clusters=n_clusters, n_init=10)
kmeans.fit(data)
那么我应该多次为n_clusters = 1 ... n这样做并观察错误率以获得正确的k?认为这会很愚蠢,需要花费很多时间?!
2 回答
肘部标准是一种视觉方法 . 我还没有看到它的强大的数学定义 . 但是,k-means也是一种非常粗糙的启发式算法 .
所以,是的,您需要使用
k=1...kmax
运行k-means,然后绘制生成的SSQ并确定"optimal" k .存在k-means的高级版本,例如X-means,它将以
k=2
开始,然后增加它直到次要标准(AIC / BIC)不再改进 . 平分k均值是一种也以k = 2开始然后重复分裂簇直到k = kmax的方法 . 您可以从中提取临时SSQ .无论哪种方式,我都有这样的印象:在任何实际用例中,k-mean真的很好,你实际上确实知道你需要的k . 在这些情况下,k-means实际上不是一个算法,而是一个vector quantization算法 . 例如 . 将图像的颜色数量减少到k . (通常你会选择k为例如32,因为那时是5位颜色深度并且可以以位压缩方式存储) . 或者例如在视觉词汇方法中,您可以手动选择词汇量大小 . 流行值似乎是k = 1000 . 然后你并不太关心"clusters"的质量,但主要的是能够将图像缩小为1000维稀疏向量 . 900维或1100维表示的性能将基本上不同 .
对于实际的聚类任务,即当您想手动分析生成的聚类时,人们通常使用比k-means更高级的方法 . K-means更像是一种数据简化技术 .
如果事先不知道真实标签(如您的情况),则可以使用Elbow Criterion或Silhouette Coefficient来评估
K-Means clustering
.Elbow Criterion Method:
肘方法背后的想法是在给定数据集上针对k的值范围运行k均值聚类(
num_clusters
,例如k = 1到10),并且对于k的每个值,计算平方误差之和(SSE) .之后,为每个k值绘制SSE的折线图 . 如果线图看起来像一个手臂 - 下面的线图中的红色圆圈(如角度),手臂上的“肘”是最佳k(群集数)的值 . 在这里,我们希望尽量减少SSE . 随着我们增加k,SSE倾向于向0减小(当k等于数据集中的数据点数时,SSE为0,因为那时每个数据点都是它自己的集群,并且它与中心之间没有错误 . 它的集群) .
所以我们的目标是选择一个仍然具有较低SSE的
small value of k
,并且肘部通常代表我们通过增加k来开始减少收益的地方 .我们来考虑虹膜数据集,
以上代码的绘图:
我们可以在图中看到,3是虹膜数据集的最佳簇数(环绕红色),这确实是正确的 .
Silhouette Coefficient Method:
从sklearn documentation,
较高的Silhouette Coefficient得分与具有更好定义的聚类的模型相关 . Silhouette Coefficient是为每个样本定义的,由两个分数组成:`
然后给出单个样本的Silhouette Coefficient为:
现在,要为
KMeans
找到k
的最佳值,请在KMeans
中为n_clusters循环1..n并计算每个样本的Silhouette Coefficient .较高的Silhouette Coefficient表示该对象与其自己的簇很好地匹配,并且与相邻簇很不匹配 .
Output -
对于n_clusters = 2,Silhouette系数为0.680813620271
For n_clusters=3, The Silhouette Coefficient is 0.552591944521
对于n_clusters = 4,Silhouette Coefficient为0.496992849949
对于n_clusters = 5,Silhouette系数为0.488517550854
对于n_clusters = 6,Silhouette系数为0.370380309351
对于n_clusters = 7,剪影系数是0.356303270516
对于n_clusters = 8,Silhouette系数为0.365164535737
对于n_clusters = 9,Silhouette系数为0.346583642095
对于n_clusters = 10,Silhouette系数为0.328266088778
我们可以看到,n_clusters = 2具有最高的Silhouette系数 . 这意味着2应该是群集的最佳数量,对吧?
但这是 grab 了 .
虹膜数据集有3种花,与2作为群的最佳数量相矛盾 . 因此,尽管n_clusters = 2具有最高的Silhouette系数,我们会将n_clusters = 3视为最佳簇数,因为 -
虹膜数据集有3种 . (Most Important)
n_clusters = 2具有第二高的Silhouette Coefficient值 .
所以选择n_clusters = 3是最优的 . 虹膜数据集的簇 .
选择最优的没有 . 群集的大小取决于数据集的类型和我们试图解决的问题 . 但是大多数情况下,获得最高的Silhouette系数将产生最佳的簇数 .
希望能帮助到你!