8 Clustering Algorithms in Machine Learning som alle dataforskere burde vite

Det er tre forskjellige tilnærminger til maskinlæring, avhengig av dataene du har. Du kan gå med veiledet læring, semi-veiledet læring eller uten tilsyn læring.

I veiledet læring har du merket data, så du har utganger som du helt sikkert vet er de riktige verdiene for dine innganger. Det er som å kjenne bilpriser basert på funksjoner som merke, modell, stil, drivverk og andre attributter.

Med semi-overvåket læring har du et stort datasett der noen av dataene er merket, men det meste er det ikke.

Dette dekker en stor mengde data fra den virkelige verden fordi det kan være dyrt å få en ekspert til å merke hvert datapunkt. Du kan omgå dette ved å bruke en kombinasjon av veiledet og uten tilsyn læring.

Uovervåket læring betyr at du har et datasett som er helt umerket. Du vet ikke om det er noen mønstre skjult i dataene, så du overlater til algoritmen å finne noe den kan.

Det er her klyngealgoritmer kommer inn. Det er en av metodene du kan bruke i et uten tilsyn læringsproblem.

Hva er klyngealgoritmer?

Klynging er en maskinlæringsoppgave uten tilsyn. Du kan også høre dette referert til som klyngeanalyse på grunn av måten denne metoden fungerer på.

Å bruke en klyngealgoritme betyr at du kommer til å gi algoritmen mye inndata uten etiketter og la den finne noen grupperinger i dataene den kan.

Disse grupperingene kalles klynger . En klynge er en gruppe datapunkter som ligner på hverandre basert på deres forhold til omkringliggende datapunkter. Klynging brukes til ting som funksjonsteknikk eller mønsteroppdagelse.

Når du begynner med data du ikke vet noe om, kan klynging være et bra sted å få litt innsikt.

Typer av klyngealgoritmer

Det finnes forskjellige typer klyngealgoritmer som håndterer alle slags unike data.

Tetthetsbasert

I tetthetsbasert gruppering grupperes data etter områder med høye konsentrasjoner av datapunkter omgitt av områder med lave konsentrasjoner av datapunkter. I utgangspunktet finner algoritmen stedene som er tette med datapunkter og kaller disse klyngene.

Det som er bra med dette er at klyngene kan ha hvilken som helst form. Du er ikke begrenset til forventede forhold.

Klyngealgoritmene under denne typen prøver ikke å tildele avvik til klynger, så de blir ignorert.

Distribusjonsbasert

Med en distribusjonsbasert klyngetilnærming betraktes alle datapunktene som deler av en klynge basert på sannsynligheten for at de tilhører en gitt klynge.

Det fungerer slik: det er et midtpunkt, og når avstanden til et datapunkt fra sentrum øker, reduseres sannsynligheten for at det er en del av klyngen.

Hvis du ikke er sikker på hvordan distribusjonen i dataene dine kan være, bør du vurdere en annen type algoritme.

Centroid-basert

Centroid-basert klynging er den du sannsynligvis hører mest om. Det er litt følsomt for de innledende parametrene du gir det, men det er raskt og effektivt.

Disse typer algoritmer skiller datapunkter basert på flere sentroider i dataene. Hvert datapunkt tildeles en klynge basert på kvadratdistanse fra sentrum. Dette er den mest brukte typen klynging.

Hierarkisk-basert

Hierarkisk-basert klynging brukes vanligvis på hierarkiske data, slik du ville fått fra en firmadatabase eller taksonomier. Den bygger et klyngetre, slik at alt er organisert ovenfra og ned.

Dette er mer restriktivt enn de andre grupperingstypene, men det er perfekt for spesifikke typer datasett.

Når skal du bruke klynging

Når du har et sett med umerkede data, er det veldig sannsynlig at du bruker en slags ikke-overvåket læringsalgoritme.

Det er mange forskjellige ikke-overvåket læringsteknikker, som nevrale nettverk, forsterkningslæring og klynging. Den spesifikke typen algoritme du vil bruke, kommer til å avhenge av hvordan dataene dine ser ut.

Det kan være lurt å bruke klynging når du prøver å oppdage avvik for å prøve å finne avvik i dataene dine. Det hjelper ved å finne de gruppene av klynger og vise grensene som vil avgjøre om et datapunkt er en outlier eller ikke.

Hvis du ikke er sikker på hvilke funksjoner du skal bruke for maskinlæringsmodellen din, oppdager klynging mønstre du kan bruke til å finne ut hva som skiller seg ut i dataene.

Klynging er spesielt nyttig for å utforske data du ikke vet noe om. Det kan ta litt tid å finne ut hvilken type klyngealgoritme som fungerer best, men når du gjør det, får du uvurderlig innsikt i dataene dine. Du kan finne forbindelser du aldri hadde tenkt på.

Noen virkelige verdensapplikasjoner for klynging inkluderer svindeloppdagelse i forsikring, kategorisering av bøker i et bibliotek og kundesegmentering innen markedsføring. Den kan også brukes i større problemer, som jordskjelvsanalyse eller byplanlegging.

De 8 beste grupperingsalgoritmene

Nå som du har litt bakgrunn i hvordan klyngealgoritmer fungerer og de forskjellige typene som er tilgjengelige, kan vi snakke om de faktiske algoritmene du ofte ser i praksis.

Vi implementerer disse algoritmene på et eksempel på datasett fra sklearn-biblioteket i Python.

Vi bruker make_classification- datasettet fra sklearn-biblioteket for å demonstrere hvordan forskjellige klyngealgoritmer ikke passer for alle klyngeproblemer.

Du finner koden for alle følgende eksempler her.

K-betyr klyngealgoritme

K-betyr klynging er den mest brukte klyngealgoritmen. Det er en centroid-basert algoritme og den enkleste uten tilsyn læringsalgoritmen.

Denne algoritmen prøver å minimere variansen av datapunkter i en klynge. Det er også hvordan folk flest blir introdusert for maskinlæring uten tilsyn.

K-middel brukes best på mindre datasett fordi den gjentar seg over alle datapunktene. Det betyr at det vil ta mer tid å klassifisere datapunkter hvis det er store mengder av dem i datasettet.

Since this is how k-means clusters data points, it doesn't scale well.

Implementation:

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 clustering algorithm

DBSCAN stands for density-based spatial clustering of applications with noise. It's a density-based clustering algorithm, unlike k-means.

This is a good algorithm for finding outliners in a data set. It finds arbitrarily shaped clusters based on the density of data points in different regions. It separates regions by areas of low-density so that it can detect outliers between the high-density clusters.

This algorithm is better than k-means when it comes to working with oddly shaped 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.

Noe av det kuleste med å bruke klynging for ikke-tilsynet læring er at du kan bruke resultatene i et overvåket læringsproblem.

Klyngene kan være de nye funksjonene du bruker på et helt annet datasett! Du kan bruke klynging på omtrent alle maskinlæringsproblemer uten tilsyn, men sørg for at du vet hvordan du analyserer resultatene for nøyaktighet.