机器学习·L3W1-聚类和异常检测

Kmean聚类

  • 初始化聚类中心(随机选择)
  • 更新类别
  • 计算新的聚类中心

随机选择样本点作为聚类中心

K个聚类中心的情况

python 复制代码
    randidx=np.random.permutation(X.shape[0])
    initial_centers=X[randidx[:K]]

更新类别

公式是计算每一个聚类中心和当前样本的距离,挑选一个最短距离作为当前点的类别

距离不一定是欧式距离

两层for循环直接暴力搜索

python 复制代码
def closest_centroid(X,centroids):
    """
    Computes the centroid memberships for every example
    
    Args:
        X (ndarray): (m, n) Input values      
        centroids (ndarray): (K, n) centroids
    
    Returns:
        idx (array_like): (m,) closest centroids
    
    """
    K=centroids.shape[0]
    idx=np.zeros(K)
    for i in range(X.shape[0]):
        index=-1
        dist=99999999 # 最大的数
        for j in range(K):
            temp=np.sum((X[i]-centroids[j])**2)
            if temp<dist:
                dist=temp
                index=j
        idx[i]=index
    return idx

生成新的聚类中心

一般采取计算样本的均值,使用np.mean()即可

注意python的条件索引

  • Specifically, for every centroid μ k \mu_k μk we set
    μ k = 1 ∣ C k ∣ ∑ i ∈ C k x ( i ) \mu_k = \frac{1}{|C_k|} \sum_{i \in C_k} x^{(i)} μk=∣Ck∣1i∈Ck∑x(i)

    where

    • C k C_k Ck is the set of examples that are assigned to centroid k k k
    • ∣ C k ∣ |C_k| ∣Ck∣ is the number of examples in the set C k C_k Ck
python 复制代码
def update_centroids(X,idx,centroids):
    """
    Returns the new centroids by computing the means of the 
    data points assigned to each centroid.
    
    Args:
        X (ndarray):   (m, n) Data points
        idx (ndarray): (m,) Array containing index of closest centroid for each 
                       example in X. Concretely, idx[i] contains the index of 
                       the centroid closest to example i
        K (int):       number of centroids
    
    Returns:
        centroids (ndarray): (K, n) New centroids computed
    """
    m,n=X.shape
    K=centroids.shape[0]
    centroids=np.zeros((K,n))
    for i in range(K):
        centroids[i]=np.mean(X[idx==i],axis=0)
    return centroids

最终代码

python 复制代码
def kmeans_plus(X,K,max_iters):
    m,n=X.shape
    # 随机生成中心
    randidx=np.random.permutation(X.shape[0])
    initial_centers=X[randidx[:K]]
    
    idx=np.zeros(K,n)
    centroids=initial_centers
    for i in range(max_iters):
        print("K-Means iteration %d/%d" % (i, max_iters-1))
        idx=closest_centroid(X,centroids)
        centroids=update_centroids(X,idx,centroids)
    return idx,centroids

异常检测

  • 选择合适的epsilon,常常使用F1分数评估
  • 计算每个特征的概率密度

基本原理

计算每个样本点的正态分布概率密度,并且累乘得到最终概率,依据概率选择epsilon处理异常。
原理及其依赖样本点的分布情况!应该尽可能保证样本点是正态分布!

多使用对数化,多项式化来让样本点保持正态分布!

异常检测和分类的区别

异常检测是无监督学习,分类是有监督学习;异常检测更容易发现样本中不经常出现的异常特征,分类更容易发现样本中经常出现的特征。

高斯函数

注意高斯函数算完后还要累乘

python 复制代码
def normal_distribution(X):
    m,n=X.shape
    mu=np.mean(X,axis=0)
    sigma=np.std(X,axis=0)
    sigma[sigma==0]=1e-5
    p=1/np.sqrt(2*np.pi*sigma**2)*np.exp(-(X-mu)**2/(2*sigma**2))
    p=np.prod(p,axis=1)
    return p

F1分数计算

p r e c = t p t p + f p r e c = t p t p + f n , \begin{aligned} prec&=&\frac{tp}{tp+fp}\\ rec&=&\frac{tp}{tp+fn}, \end{aligned} precrec==tp+fptptp+fntp, where

  • The F 1 F_1 F1 score is computed using precision ( p r e c prec prec) and recall ( r e c rec rec) as follows:
    F 1 = 2 ⋅ p r e c ⋅ r e c p r e c + r e c F_1 = \frac{2\cdot prec \cdot rec}{prec + rec} F1=prec+rec2⋅prec⋅rec

利用python的判断语法

python 复制代码
def compute_f1(y_val,p_val,epsilon):
    # 1是有缺陷 0是无缺陷
    prediction=p_val<epsilon
    tp=np.sum((y_val==1)&(prediction==1))
    fp=np.sum((y_val==0)&(prediction==1))
    fn=np.sum((y_val==1)&(prediction==0))
    prec=tp/(tp+fp) if tp+fp>0 else 0
    rec=tp/(tp+fn) if tp+fn>0 else 0
    f1=2*prec*rec/(prec+rec) if prec+rec>0 else 0
    return prec,rec,f1

选择阈值

参照分类模型的评估标准,选择F1分数最高的模型参数

python 复制代码
def select_threshold(y_val,p_val):
    best_epsilon=0
    best_f1=0
    prec_list=[]
    rec_list=[]
    e_list=[]
    step_size=(np.max(p_val)-np.min(p_val))/1000
    for e in np.arange(np.min(p_val),np.max(p_val),step_size):
        prec,rec,temp=compute_f1(y_val,p_val,e)
        prec_list.append(prec)
        rec_list.append(rec)
        e_list.append(e)
        if temp>best_f1:
            best_epsilon=e
            best_f1=temp
    return best_epsilon,best_f1,prec_list,rec_list,e_list
相关推荐
资讯分享周41 分钟前
BOE(京东方)“向新2025”年终媒体智享会落地成都 持续创新引领产业步入高价值增长新纪元
人工智能·媒体
IT古董1 小时前
【漫话机器学习系列】014.贝叶斯法则(Bayes Theorem)
人工智能·机器学习
Crossoads2 小时前
【汇编语言】端口 —— 「从端口到时间:一文了解CMOS RAM与汇编指令的交汇」
android·java·汇编·深度学习·网络协议·机器学习·汇编语言
拓端研究室2 小时前
【专题】2024年悦己生活消费洞察报告汇总PDF洞察(附原数据表)
人工智能
月眠老师2 小时前
拓展AI超级智能后的人类生活场景
人工智能·生活
是十一月末3 小时前
Opencv实现图片的边界填充和阈值处理
人工智能·python·opencv·计算机视觉
机智的叉烧3 小时前
前沿重器[57] | sigir24:大模型推荐系统的文本ID对齐学习
人工智能·学习·机器学习
凳子花❀3 小时前
强化学习与深度学习以及相关芯片之间的区别
人工智能·深度学习·神经网络·ai·强化学习
量子-Alex4 小时前
【多模态聚类】用于无标记视频自监督学习的多模态聚类网络
学习·音视频·聚类
泰迪智能科技015 小时前
高校深度学习视觉应用平台产品介绍
人工智能·深度学习