《数据挖掘与机器学习》 课件7.2.1 K-Means聚类

构建新闻文本聚类模型新闻文本聚类——聚类分析任务描述聚类是针对给定的样本，依据它们特征的相似度或度量，将其归并到若干个“类”或“簇”的数据分析问题。一个类是样本的一个子集。直观上，相似的样本聚集在相同的类，不相似的样本分散在不同的类。新闻文本聚类是将大量新闻文本根据其相似性划分到不同的类别中，以便更好地理解和分析这些文本。本任务将使用K-Means算法和DBSCAN算法，对任务7.1中处理好的文本进行聚类分析并进行可视化展示。任务要求使用sklearn库构建K-Means模型。使用sklearn库构建DBSCAN模型。使用Matplotlib库实现结果的可视化。K-MeansDBSCANK-Means聚类的目的是在没有标签或类别信息的情况下，将数据样本归为几个不同的群组，以便更好地理解数据、识别数据的模式和规律，并进行更有效的数据分析。通过聚类，可以识别出数据中的不同类别或簇，这些簇可能具有相似的属性、特征或行为。K-MeansK-Means聚类是基于样本集合划分的聚类算法。它将样本集合划分为k个子集，每个子集为一类。将n个样本分到k个类中，使得每个样本到其所属类的中心的距离最短。在K-Means聚类中，每个样本只能属于一个类。将样本分为了5类，可以从图中看到，每个样本只能属于一个类，一个类的样本都聚集在一起。K-MeansK-Means聚类算法是一个迭代的过程，过程如下。1选择k个类的中心，将样本分类到距离最近的类中2将每个类中样本的均值作为新的类中心3重复以上步骤，直到每个类中样本不再改变为止K-Means目标是最小化每个数据点与其所属簇中心之间的距离的总和。其中，Xi表示第i个样本，μj表示第j个类的中心。K-Means使用sklearn库中的KMeans类建立K-Means模型，其基本使用格式如下。classsklearn.cluster.KMeans(n_clusters=8,init='k-means++',n_init=10,max_iter=300,tol=0.0001,precompute_distances='deprecated',verbose=0,random_state=None,copy_x=True,n_jobs='deprecated',algorithm='auto')K-MeansKMeans类常用参数及其说明如下。参数名称说明n_clusters接收int。表示要形成的簇数以及生成的质心数。默认为8init接收方法名。表示所选择的初始化方法，可选'k-means++'，'random'，ndarray，callable。默认为'k-means++'n_init接收int。表示K均值算法将在不同质心种子下运行的次数。默认为10max_iter接收int。表达单次运行的K均值算法的最大迭代次数。默认为300tol接收float。表示两个连续迭代的聚类中心的差异，以声明收敛。默认为1e-4random_state接收int。表示所确定的质心初始化的随机数的生成。默认为NoneK-MeansK-Means聚类初始化类中心的选择方法如下。1k-means++是默认的方法，也是最常用的方法，它会智能地选择初始聚类中心，使它们在整个数据集中更加均匀地分布。2random会从数据集中随机选择K个数据点作为初始聚类中心。相比于'k-means++'，这种方法更加简单和随机。3ndarray可以传入一个形状为(K,n_features)的NumPy数组作为初始聚类中心。K代表数据点的个数，n_features代表数据的维度。4callable可以传入一个可调用对象（如函数）作为初始聚类中心的选择方法。该可调用对象应接受数据集作为输入，并返回形状为(K,n_features)的数组作为初始聚类中心。K-Means对于应用程序开发者而言，用户的反馈至关重要。针对不同使用习惯、不同使用强度的顾客进行的问卷调查，有助于帮助开发者开发出好的产品。实践是检验真理的唯一标准，理论只有来源于实践、作用于实践，才会具有强大的生命力。某应用软件想要对客户进行问卷调查，客户的使用信息储存在客户数据集（customer.csv）中，包括客户的年龄（岁）、应用使用时间（小时）。年龄