机器学习里的聚类分析技巧
今日份知识你摄入了么？
当我们听说某人是个数据分析师，或是在商业智能领域工作时，这些职业的复杂性会让我们产生一种隐约的敬畏感。然而，这些职位背后的现实情况都是立足于现实生活中的数据分析渠道。
通常，数据一开始都是非结构化、互不相关的。数据分析师的首要任务是，在进行分析之前，先弄清楚数据。
对所有称职的分析师来说，最强大的工具就是数据聚类。今天，我们会给大家简要介绍各种聚类，以及在现实中该如何使用它们。
聚类是什么？
聚类是一种机器学习算法，是一种常用的数据分类技术。它属于无监督机器学习算法的范畴，在处理未标记和非结构化的数据时非常有用。
聚类是开始理解非结构化数据的好方法。
在这种算法中，我们通常只处理数据的特征，而没有任何目标标签或类。这些算法不需要人工干预就能发现隐藏的模式或数据分组。它能够发现信息中的相似性和差异性，是探索性数据分析的理想解决方案。
换句话说，聚类是一种数据挖掘技术，根据数据集的相似性或差异性进行分类。根据信息中展示出的结构或模式，它能把原始数据或未分类的数据分组。聚类算法可以分为几种类型，具体来说有排他型（exclusive）、重叠型（overlapping）、分级（hierarchical）和概率型（probabilistic）。
为什么要使用聚类？
目的是把相同属性的项分组在一起。想象一下，你有数百万种化合物，但你看不见，也无法判断它们想要表达的是什么，它们之间有什么相似之处。通过聚类，你可以将这些上百万个聚类，根据它们之间的相似性，分成5或10个聚类，这样你就可以更容易地去分析这5或10个聚类，而不是单独地看每个化合物。
聚类的类型
我们可以根据不同的规则和参数对数据进行分类。从数据值的简单相似性到数据点之间的比较关系，有许多方法可以解决这个问题。对所有聚类技术进行分类的方法如下所示：
1. 基于划分的聚类（Partition Based Clustering）
2. 分级聚类（Hierarchical Clustering）
3. 基于密度的聚类（Density-based Clustering）
在继续讨论实际应用之前，我们先来简要解释一下这些内容。
基于划分的聚类（Partition Based Clustering）
给定一个包含n个对象或数据元组的数据库，分区方法将划分k个数据的分区，其中每个分区代表一个集群。
这种聚类方法根据数据的特征和相似性将信息划分为多个组。要生成的集群的确切个数是由数据分析人员指定的。
在分区方法中，当数据库(D)包含多个(N)对象时，分区方法创建用户指定的K个分区，其中每个分区代表一个集群和一个特定的区域。
分级聚类（Hierarchical Clustering）
分级聚类，也称为分级聚类分析（hierarchical cluster analysis），是一种算法，将相似的对象分组为集群组。端点是一组集群，其中每个集群与其他集群不同，每个集群中的对象大致上彼此相似。
分级聚类首先将每个观察结果作为单独的集群处理。然后重复执行以下两个步骤：
(1)识别两个最接近的集群
(2)合并两个最相似的集群
然后一直反复持续这个过程，直到所有集群合并在一起。
基于密度的聚类（Density-based Clustering）
DBSCAN密度聚类(Density-Based Spatial Clustering of Applications with Noise)是一种著名的数据聚类算法，通常用于数据挖掘和机器学习。DBSCAN根据距离的长短(通常是欧几里得距离)把相互距离最小的点分组在一起。它还能将在低密度区域的那些点标记为异常值。
个案研究：K-Means聚类算法（K Means Clustering Algorithm）
K-Means是一种非常受欢迎的迭代聚类算法。它的目的是将一个数据集划分为多个组，每个数据点只能属于某一个聚类，目的是在每次迭代中寻找到局部极大值。这个算法大致分为五个步骤：
步骤0：找到一个适当的方法来可视化你的数据。你可以选择任意2到3个与图表相关的特征。我们将通过分割图中所示的数据来对数据进行聚类(分区)。
步骤1：选择集群数(k) ---- 集群数k =3
一个示例数据集，绘制了根据人们各自的收入批准给他们的贷款金额
步骤2：为每个集群选择一个随机的矩心(起始值)
步骤3：将所有点分配到它最近的聚类矩心
步骤4：不断重复，直到矩心不再变化，也就是说，将每个数据点都分配到了最近的集群
上图红色的点表示我们正在迭代的各个聚类矩心。我们选择K = 3，是因为我们假设数据能被充分地分为3类。
步骤5：重复步骤3和步骤4，直到每个K个聚类中心都得到稳定的解(K的计算改动变得足够小)。
当这个差值为0时，我们就可以停止了，然后，我们把收到的集群可视化。
上图是每个K(=3)的位置均值的最终结果。数据点是根据这些结果被分类到的3个类别中的颜色的。
K- means聚类算法在概念上是非常简练的，我们在所有问题中对K的决定都会影响这种方法对数据进行分类的方式。
应用
接下来，我们来看看在集群和其他技术协同工作下，帮助改善日常生活的一些有效方式。
1. 识别假新闻
假新闻并不是一种新的现象，但是在我们这个时代却变得越来越多。
问题在于：由于社交媒体等技术创新，假新闻得以快速产生和传播，这个问题在2016年美国总统竞选期间受到了强烈关注。在这次竞选中，“假新闻”这一词被引用的次数前所未有。
聚类的作用：获取假新闻文章的内容，语料库，检查所使用的词，然后对它们进行聚类。这些聚类有助于算法判断哪些新闻是真实的，哪些是假的。某些词汇通常出现在耸人听闻的标题式文章中。如果你在一篇文章中看到高比例的特定词汇时，这篇文章就很有可能是假新闻。
2. 识别欺诈或犯罪活动
在这个场景中，我们将重点关注出租车司机的欺诈行为。当然，该技术还被用于多个其他场景。
问题在于：你需要调查欺诈驾驶行为。你面临的挑战是，如何辨别哪些是真的，哪些是假的？
聚类的作用：通过分析GPS记录，算法能够对相似的行为进行分组。根据这些群体的特征，你就可以把他们分成真实的和欺诈的两类。
3.市场营销和销售
在市场营销中，个性化和定向投放是一项大业务。
这是通过观察一个人的具体特征，并与他们分享和他们类似的人取得反馈的活动来实现的。
问题在于：如果你是一家试图从营销投资中获得最佳回报的企业，你就必须以正确的方式瞄准目标用户。如果你做错了，就有可能进行不了任何推广，或者导致更坏的结果，损害客户的信任度。
聚类的作用：聚类算法能够将具有相似特征和购买可能的人聚在一起。一旦你有了这些分组，你就可以用不同的营销计划在每个组运行测试，有助于你以后更好地向他们传递信息。
聚类技术的世界是广阔的，我们也会在以后的文章逐步探索有效的方法。
原文作者：Aparna Singh
翻译作者：过儿
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://medium.com/develearn/an-introduction-to-clustering-techniques-feef8378c25d
往期精彩回顾
点击“阅读原文”查看数据应用学院核心课