ML.NET技术研究系列-2聚类算法KMeans

上一篇博文我们介绍了ML.NET 的入门：

ML.NET技术研究系列1-入门篇

本文我们继续，研究分享一下聚类算法k-means.

一、k-means算法简介

k-means算法是一种聚类算法，所谓聚类，即根据相似性原则，将具有较高相似度的数据对象划分至同一类簇，将具有较高相异度的数据对象划分至不同类簇。

1. k-means算法的原理是什么样的？参考：https://baijiahao.baidu.com/s?id=1622412414004300046&wfr=spider&for=pc

k-means算法中的k代表类簇个数，means代表类簇内数据对象的均值（这种均值是一种对类簇中心的描述），因此，k-means算法又称为k-均值算法。

k-means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。

数据对象间距离的计算有很多种，k-means算法通常采用欧氏距离来计算数据对象间的距离。算法详细的流程描述如下：

   2. k-means算法的优缺点：

优点： 算法简单易实现；

缺点： 需要用户事先指定类簇个数； 聚类结果对初始类簇中心的选取较为敏感； 容易陷入局部最优； 只能发现球形类簇；

接下来我们说一下k-means算法的经典应用场景：鸢尾花

二、鸢尾花

首先，鸢尾花是一种植物，有四个典型的属性：

• 花瓣长度
• 花瓣宽度
• 花萼长度
• 花萼宽度

鸢尾花有三大品种setosa、versicolor 或 virginica ，每个品种对应的以上四个属性各不相同。

鸢尾花数据集中一共包含了150条记录，每个样本的包含它的萼片长度和宽度，花瓣的长度和宽度以及这个样本所属的具体品种。每个品种的样本量为50条。

鸢尾花样本数据格式：

5.2,3.4,1.4,0.2,Iris-setosa
4.7,3.2,1.6,0.2,Iris-setosa
4.8,3.1,1.6,0.2,Iris-setosa
6.0,2.2,4.0,1.0,Iris-versicolor
6.1,2.9,4.7,1.4,Iris-versicolor
5.6,2.9,3.6,1.3,Iris-versicolor
5.7,2.5,5.0,2.0,Iris-virginica
5.8,2.8,5.1,2.4,Iris-virginica
6.4,3.2,5.3,2.3,Iris-virginica

　上述数据中，第一列是鸢尾花花萼长度，第二列是鸢尾花花萼宽度，第三列是鸢尾花花瓣长度，第四列是鸢尾花花瓣宽度。

基于上述数据做机器学习、训练，形成一个模型。

三、ML.NET k-means

基于上述的场景，我们先准备样本数据，https://github.com/dotnet/machinelearning/blob/master/test/data/iris.data

另存为iris.data文件，每个属性逗号间隔。

然后，大致梳理了一下实现步骤：

1. 新建一个.Net  Core Console Project
2. 添加Microsoft.ML nuget 1.2.0版本
3. 添加鸢尾花数据、预测类实体类IrisData、ClusterPrediction
4. 构造MLContext、从iris.data构造IDataView，采用Trainers.KMeans进行模型训练，形成模型文件：IrisClusteringModel.zip
5. 输入一个测试数据，进行预测。

好，让我们开始搞吧：

   1. 新建一个.Net  Core Console Project

先看下用的VS的版本：

新建一个.Net Core Console的Project KMeansDemo

   2. 添加Microsoft.ML nuget 1.2.0版本

将iris.data文件放到Project下的Data目录中，同时右键iris.data，设置为：始终复制

 3. 添加鸢尾花数据、预测类实体类IrisData、ClusterPrediction

using System;
using System.Collections.Generic;
using System.Text;

namespace KMeansDemo
{
    using Microsoft.ML.Data;

    /// <summary>
    /// 鸢尾花数据
    /// </summary>
    class IrisData
    {
        /// <summary>
        /// 鸢尾花花萼长度
        /// </summary>
        [LoadColumn(0)]
        public float SepalLength;

        /// <summary>
        /// 鸢尾花花萼宽度
        /// </summary>
        [LoadColumn(1)]
        public float SepalWidth;

        /// <summary>
        /// 鸢尾花花瓣长度
        /// </summary>
        [LoadColumn(2)]
        public float PetalLength;

        /// <summary>
        /// 鸢尾花花瓣宽度
        /// </summary>
        [LoadColumn(3)]
        public float PetalWidth;
    }
}

using System;
using System.Collections.Generic;
using System.Text;

namespace KMeansDemo
{
    using Microsoft.ML.Data;

    public class ClusterPrediction
    {
        /// <summary>
        /// 预测的族群
        /// </summary>
        [ColumnName("PredictedLabel")]
        public uint PredictedClusterId;

        [ColumnName("Score")]
        public float[] Distances;
    }
}

4.  构造MLContext、从iris.data构造IDataView，采用Trainers.KMeans进行模型训练，形成模型文件：IrisClusteringModel.zip

在Main函数中，开始编码 ，首先添加引用

using Microsoft.ML;

声明样本数据文件和模型文件的文件路径

static readonly string _dataPath = Path.Combine(Environment.CurrentDirectory, "Data", "iris.data");
static readonly string _modelPath = Path.Combine(Environment.CurrentDirectory, "Data", "IrisClusteringModel.zip");

构造MLContext、IDataView，采用Trainer.KMeans进行模型训练，形成模型文件：IrisClusteringModel.zip

var mlContext = new MLContext(seed: 0);
IDataView dataView = mlContext.Data.LoadFromTextFile<IrisData>(_dataPath, hasHeader: false, separatorChar: ',');
string featuresColumnName = "Features";
var pipeline = mlContext.Transforms
                .Concatenate(featuresColumnName, "SepalLength", "SepalWidth", "PetalLength", "PetalWidth")
                .Append(mlContext.Clustering.Trainers.KMeans(featuresColumnName, numberOfClusters: 3));
var model = pipeline.Fit(dataView);
using (var fileStream = new FileStream(_modelPath, FileMode.Create, FileAccess.Write, FileShare.Write))
{
      mlContext.Model.Save(model, dataView.Schema, fileStream);
}
Console.WriteLine("完成模型训练!");
Console.WriteLine("模型文件:"+ _modelPath);

5.  输入一个测试数据，进行预测。

输入一个测试数据，使用生成的模型，进行预测：

var predictor = mlContext.Model.CreatePredictionEngine<IrisData, ClusterPrediction>(model);
var Setosa = new IrisData
{
                SepalLength = 5.1f,
                SepalWidth = 3.5f,
                PetalLength = 1.4f,
                PetalWidth = 0.2f
};

var prediction = predictor.Predict(Setosa);
Console.WriteLine($"Cluster: {prediction.PredictedClusterId}");
Console.WriteLine($"Distances: {string.Join(" ", prediction.Distances)}");
Console.WriteLine("Press any key!");

　全部的代码：

 using Microsoft.ML;
 using System;
 using System.IO;

 namespace KMeansDemo
 {
     class Program
     {
         static readonly string _dataPath = Path.Combine(Environment.CurrentDirectory, "Data", "iris.data");
         static readonly string _modelPath = Path.Combine(Environment.CurrentDirectory, "Data", "IrisClusteringModel.zip");

         static void Main(string[] args)
         {
             var mlContext = new MLContext(seed: );
             IDataView dataView = mlContext.Data.LoadFromTextFile<IrisData>(_dataPath, hasHeader: false, separatorChar: ',');
             string featuresColumnName = "Features";
             var pipeline = mlContext.Transforms
                 .Concatenate(featuresColumnName, "SepalLength", "SepalWidth", "PetalLength", "PetalWidth")
                 .Append(mlContext.Clustering.Trainers.KMeans(featuresColumnName, numberOfClusters: ));
             var model = pipeline.Fit(dataView);
             using (var fileStream = new FileStream(_modelPath, FileMode.Create, FileAccess.Write, FileShare.Write))
             {
                 mlContext.Model.Save(model, dataView.Schema, fileStream);
             }
             Console.WriteLine("完成模型训练!");
             Console.WriteLine("模型文件:"+ _modelPath);

             //预测
             var predictor = mlContext.Model.CreatePredictionEngine<IrisData, ClusterPrediction>(model);

             var Setosa = new IrisData
             {
                 SepalLength = 5.1f,
                 SepalWidth = 3.5f,
                 PetalLength = 1.4f,
                 PetalWidth = 0.2f
             };

             var prediction = predictor.Predict(Setosa);
             Console.WriteLine($"Cluster: {prediction.PredictedClusterId}");
             Console.WriteLine($"Distances: {string.Join(" ", prediction.Distances)}");
             Console.WriteLine("Press any key!");
         }
     }
 }

Run，看一下输出：

以上就是通过ML.NET 的KMeans算法，实现聚类。

上面的数据是一个监督学习的样本，同时是一个数值类型的数据，比较好奇的是，能不能对文本数据+值数据进行聚类，下一篇，我们将继续完成文本数据+值数据的聚类分析。

以上，分享给大家。

周国庆

2019/7/14