8 algorithmes de clustering dans l'apprentissage automatique que tous les scientifiques des données devraient connaître

Il existe trois approches différentes de l'apprentissage automatique, en fonction des données dont vous disposez. Vous pouvez opter pour un apprentissage supervisé, semi-supervisé ou non supervisé.

Dans l'apprentissage supervisé, vous avez des données étiquetées, vous avez donc des sorties dont vous savez avec certitude que sont les valeurs correctes pour vos entrées. C'est comme connaître les prix des voitures en fonction de caractéristiques telles que la marque, le modèle, le style, la transmission et d'autres attributs.

Avec l'apprentissage semi-supervisé, vous disposez d'un vaste ensemble de données dans lequel certaines des données sont étiquetées mais la plupart ne le sont pas.

Cela couvre une grande quantité de données du monde réel, car il peut être coûteux de faire appel à un expert pour étiqueter chaque point de données. Vous pouvez contourner ce problème en utilisant une combinaison d'apprentissage supervisé et non supervisé.

L'apprentissage non supervisé signifie que vous disposez d'un ensemble de données qui est complètement non étiqueté. Vous ne savez pas s'il y a des modèles cachés dans les données, vous laissez donc à l'algorithme le soin de trouver tout ce qu'il peut.

C'est là qu'interviennent les algorithmes de clustering. C'est l'une des méthodes que vous pouvez utiliser dans un problème d'apprentissage non supervisé.

Que sont les algorithmes de clustering?

Le clustering est une tâche d'apprentissage automatique non supervisée. Vous pourriez également entendre cela appelé analyse de cluster en raison de la façon dont cette méthode fonctionne.

L'utilisation d'un algorithme de clustering signifie que vous allez donner à l'algorithme un grand nombre de données d'entrée sans étiquette et le laisser trouver tous les regroupements dans les données qu'il peut.

Ces groupements sont appelés clusters . Un cluster est un groupe de points de données qui sont similaires les uns aux autres en fonction de leur relation avec les points de données environnants. Le clustering est utilisé pour des choses telles que l'ingénierie de caractéristiques ou la découverte de modèles.

Lorsque vous commencez avec des données dont vous ne savez rien, le clustering peut être un bon endroit pour obtenir des informations.

Types d'algorithmes de clustering

Il existe différents types d'algorithmes de clustering qui gèrent toutes sortes de données uniques.

Basé sur la densité

Dans le regroupement basé sur la densité, les données sont regroupées par zones de fortes concentrations de points de données entourées de zones de faibles concentrations de points de données. Fondamentalement, l'algorithme trouve les endroits qui sont denses en points de données et appelle ces clusters.

La grande chose à ce sujet est que les grappes peuvent avoir n'importe quelle forme. Vous n'êtes pas contraint aux conditions attendues.

Les algorithmes de clustering de ce type n'essaient pas d'attribuer des valeurs aberrantes aux clusters, ils sont donc ignorés.

Basé sur la distribution

Avec une approche de clustering basée sur la distribution, tous les points de données sont considérés comme des parties d'un cluster en fonction de la probabilité qu'ils appartiennent à un cluster donné.

Cela fonctionne comme ceci: il y a un point central, et à mesure que la distance entre un point de données et le centre augmente, la probabilité qu'il fasse partie de ce cluster diminue.

Si vous n'êtes pas sûr de la répartition de vos données, vous devez envisager un autre type d'algorithme.

Basé sur le centre de gravité

Le clustering centroïde est celui dont vous entendez probablement le plus parler. C'est un peu sensible aux paramètres initiaux que vous lui donnez, mais c'est rapide et efficace.

Ces types d'algorithmes séparent les points de données en fonction de plusieurs centres de gravité dans les données. Chaque point de données est attribué à un cluster en fonction de sa distance au carré du centre de gravité. Il s'agit du type de clustering le plus couramment utilisé.

Basé sur la hiérarchie

Le clustering hiérarchique est généralement utilisé sur des données hiérarchiques, comme vous le feriez à partir d'une base de données d'entreprise ou de taxonomies. Il construit un arbre de clusters afin que tout soit organisé de haut en bas.

C'est plus restrictif que les autres types de clustering, mais c'est parfait pour des types spécifiques d'ensembles de données.

Quand utiliser le clustering

Lorsque vous avez un ensemble de données non étiquetées, il est très probable que vous utilisiez une sorte d'algorithme d'apprentissage non supervisé.

Il existe de nombreuses techniques d'apprentissage non supervisé, telles que les réseaux de neurones, l'apprentissage par renforcement et le regroupement. Le type d'algorithme spécifique que vous souhaitez utiliser dépendra de l'apparence de vos données.

Vous souhaiterez peut-être utiliser le clustering lorsque vous essayez de faire une détection d'anomalies pour essayer de trouver des valeurs aberrantes dans vos données. Cela aide en trouvant ces groupes de grappes et en montrant les limites qui détermineraient si un point de données est une valeur aberrante ou non.

Si vous n'êtes pas sûr des fonctionnalités à utiliser pour votre modèle d'apprentissage automatique, le clustering découvre des modèles que vous pouvez utiliser pour déterminer ce qui ressort des données.

Le clustering est particulièrement utile pour explorer des données dont vous ne savez rien. Cela peut prendre un certain temps pour déterminer quel type d'algorithme de clustering fonctionne le mieux, mais lorsque vous le faites, vous obtiendrez des informations inestimables sur vos données. Vous pourriez trouver des connexions auxquelles vous n'auriez jamais pensé.

Certaines applications du monde réel du clustering incluent la détection de fraude dans l'assurance, la catégorisation des livres dans une bibliothèque et la segmentation des clients dans le marketing. Il peut également être utilisé dans des problèmes plus importants, comme l'analyse de tremblement de terre ou l'urbanisme.

Les 8 meilleurs algorithmes de clustering

Maintenant que vous avez des informations sur le fonctionnement des algorithmes de clustering et les différents types disponibles, nous pouvons parler des algorithmes réels que vous verrez généralement dans la pratique.

Nous implémenterons ces algorithmes sur un exemple d'ensemble de données de la bibliothèque sklearn en Python.

We'll be using the make_classification data set from the sklearn library to demonstrate how different clustering algorithms aren't fit for all clustering problems.

You can find the code for all of the following example here.

K-means clustering algorithm

K-means clustering is the most commonly used clustering algorithm. It's a centroid-based algorithm and the simplest unsupervised learning algorithm.

This algorithm tries to minimize the variance of data points within a cluster. It's also how most people are introduced to unsupervised machine learning.

K-means is best used on smaller data sets because it iterates over all of the data points. That means it'll take more time to classify data points if there are a large amount of them in the data set.

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.

One of the coolest things about using clustering for unsupervised learning is that you can use the results in a supervised learning problem.

The clusters could be your new features that you use on a completely different data set! You can use clustering on just about any unsupervised machine learning problem, but make sure that you know how to analyze the results for accuracy.