無監督學習是機器學習技術中的一類，用于發現數據中的模式。本文介紹用Python進行無監督學習的幾種聚類算法，包括K-Means聚類、分層聚類、t-SNE聚類、DBSCAN聚類等。

無監督算法的數據沒有標注，這意味著只提供輸入變量（X），沒有相應的輸出變量。在無監督學習中，算法自己去發現數據中有意義的結構。

Facebook首席AI科學家Yan Lecun解釋說，無監督學習——即教機器自己學習，不需要明確地告訴它們所做的每一件事情是對還是錯，是“真正的”AI的關鍵。

監督學習 VS 無監督學習

在監督學習中，系統試圖從之前給出的例子中學習。反之，在無監督學習中，系統試圖從給出的例子中直接找到模式。因此，如果數據集有標記，那么它是有監督問題，如果數據集無標記，那么它是一個無監督問題。

如上圖，左邊是監督學習的例子; 我們使用回歸技術來尋找特征之間的最佳擬合線。而在無監督學習中，輸入是基于特征分離的，預測則取決于它屬于哪個聚類（cluster）。

重要術語

特征（Feature）：用于進行預測的輸入變量。

預測（Predictions）：當提供一個輸入示例時，模型的輸出。

示例（Example）：數據集的一行。一個示例包含一個或多個特征，可能有標簽。

標簽（Label）：特征的結果。

為無監督學習做準備

在本文中，我們使用Iris數據集（鳶尾花卉數據集）來進行我們的第一次預測。該數據集包含150條記錄的一組數據，有5個屬性——花瓣長度，花瓣寬度，萼片長度，萼片寬度和類別。三個類別分別是Iris Setosa（山鳶尾），Iris Virginica（維吉尼亞鳶尾）和Iris Versicolor（變色鳶尾）。對于我們的無監督算法，我們給出鳶尾花的這四個特征，并預測它屬于哪一類。我們在Python中使用sklearn Library來加載Iris數據集，并使用matplotlib來進行數據可視化。以下是代碼片段。

紫羅蘭色：山鳶尾，綠色：維吉尼亞鳶尾，黃色：變色鳶尾

聚類（Clustering）

在聚類中，數據被分成幾個組。簡單地說，其目的是將具有相似特征的組分開，并將它們組成聚類。

可視化示例：

在上圖中，左邊的圖像是未完成分類的原始數據，右邊的圖像是聚類的（根據數據的特征對數據進行分類）。當給出要預測的輸入時，就會根據它的特征在它所屬的聚類中進行檢查，并做出預測。

Python中的K-Means聚類

K-Means是一種迭代聚類算法，它的目的是在每次迭代中找到局部最大值。首先，選擇所需數量的聚類。由于我們已經知道涉及3個類，因此我們通過將參數“n_clusters”傳遞到K-Means模型中，將數據分組為3個類。

現在，隨機將三個點（輸入）分成三個聚類。基于每個點之間的質心距離，下一個給定的輸入被分為所需的聚類。然后，重新計算所有聚類的質心。

聚類的每個質心是特征值的集合，定義生成的組。檢查質心特征權重可以定性地解釋每個聚類代表什么類型的組。

我們從sklearn庫導入K-Means模型，擬合特征并進行預測。

Python中的K Means實現：

分層聚類

顧名思義，分層聚類是一種構建聚類層次結構的算法。該算法從分配給它們自己的一個cluster的所有數據開始，然后將最近的兩個cluster加入同一個cluster。最后，當只剩下一個cluster時，算法結束。

分層聚類的完成可以使用樹狀圖來表示。下面是一個分層聚類的例子。 數據集可以在這里找到：https://raw.githubusercontent.com/vihar/unsupervised-learning-with-python/master/seeds-less-rows.csv

Python中的分層聚類實現：

K Means聚類與分層聚類的區別

分層聚類不能很好地處理大數據，但K Means聚類可以。因為K Means的時間復雜度是線性的，即O（n），而分層聚類的時間復雜度是二次的，即O（n2）。

在K Means聚類中，當我們從聚類的任意選擇開始時，多次運行算法產生的結果可能會有所不同。不過結果可以在分層聚類中重現。

當聚類的形狀是超球形時（如2D中的圓形，3D中的球形），K Means聚類更好。

K-Means聚類不允許嘈雜的數據，而在分層聚類中，可以直接使用嘈雜的數據集進行聚類。

t-SNE聚類

t-SNE聚類是用于可視化的無監督學習方法之一。t-SNE表示t分布的隨機近鄰嵌入。它將高維空間映射到可以可視化的2或3維空間。具體而言，它通過二維點或三維點對每個高維對象進行建模，使得相似的對象由附近的點建模，而不相似的對象很大概率由遠離的點建模。

Python中的t-SNE聚類實現，數據集是Iris數據集：

這里Iris數據集具有四個特征（4d），它被變換并以二維圖形表示。類似地，t-SNE模型可以應用于具有n個特征的數據集。

DBSCAN聚類

DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪聲的基于密度的聚類方法）是一種流行的聚類算法，用作預測分析中 K-means的替代。它不要求輸入聚類的數值才能運行。但作為交換，你必須調整其他兩個參數。

scikit-learn實現提供了eps和min_samples參數的默認值，但這些參數通常需要調整。eps參數是在同一鄰域中考慮的兩個數據點之間的最大距離。min_samples參數是被認為是聚類的鄰域中的數據點的最小量。

Python中的DBSCAN聚類：