KMeans算法与交通事故理赔审核预测

上一篇文章讲解了数据挖掘环境的配置，那这次就从一个小的实战开始吧。这次要学习的是KMeans算法，要挑战的是sofasofa上的一个竞赛（交通事故理赔审核预测）。现在开始吧

K-means

介绍

K-Means是基于划分的聚类方法，他是数据挖掘十大算法之一。基于划分的方法是将样本集组成的矢量空间划分为多个区域，每个区域都存在一个样本中心，通过建立映射关系，可以将所有样本分类到其相应的中心。

假设有样本集合D=，KMeans算法的目标是将数据划分为K类：S=，并且使划分后的K个子集合满足类内误差平方和最小。目标函数：其中

Ci即划分后的子集合的中心。

求解步骤

求解目标函数是一个NP-hard问题，无法保证得到的就是全局最优解。在经典K-Means聚类算法中采取迭代优化策略，一般包含以下四个步骤

1.初始化聚类中心

2.分配个样本xj到相近的聚类集合，依据是（p!=j）

3.根据步骤二结果，更新聚类中心。

4.若达到最大迭代步数或两次迭代差小于设定的阈值则算法结束，否则重复步骤2。

算法改进

经典的K-means算法在初始化聚类中心时采用的是随机采样的方式，不能保证得到期望的聚类结果，可以选择重复训练多个模型，选取其中表现最好的。但有没有更好的方法呢？David Arthur提出的K-means++算法能够有效的产生初始化的聚类中心。

首先随机初始化一个聚类中心C1，然后通过迭代计算最大概率值X*，将其加入到中心点中，重复该过程，直到选择k个中心。

交通事故理赔审核预测

SofaSofa是专门为数据挖掘新人准备练手比赛的地方，这的比赛都会提供几个标杆模型的代码给你参考，新手想要快速入门可以多去这个网站上看看。

赛题

这个比赛的链接：http://sofasofa.io/competition.php?id=2

任务类型：二元分类

背景介绍：在交通摩擦（事故）发生后，理赔员会前往现场勘察、采集信息，这些信息往往影响着车主是否能够得到保险公司的理赔。训练集数据包括理赔人员在现场对该事故方采集的36条信息，信息已经被编码，以及该事故方最终是否获得理赔。我们的任务是根据这36条信息预测该事故方没有被理赔的概率。

数据介绍：

评价方法：Precision-Recall AUC

代码

在官方下载好数据集，在本地解压。打开jupyter notebook开始动手。首先导入必要的包

读入数据集

参照数据说明，CaseID这列是没有意义的编号，因此这里将他丢弃。

~drop()函数： 指沿着哪个轴，0为行，1为列； 指是否在原数据上直接操作

快速了解数据

~head()：默认显示前5行数据，可指定显示多行，例如.head(50)显示前50行

显示数据简略信息，可以每列有多少非空的值，以及每列数据对应的数据类型。

以图的形式，快速了解数据

~hist():绘制直方图，参数 可指定输出图片的尺寸。

关于绘图可参考我之前的一篇文章，一文教会你使用Matplotlib绘图

想要了解特征之间的相关性，可计算相关系数矩阵。然后可对某个特征来排序。

从训练集中分离标签

使用K-Means训练模型

KMeans()： 指要预测的有几个类； 指初始化中心的方法，默认使用的是 方法，而非经典的K-means方法的随机采样初始化，当然你可以设置为 使用随机初始化； 指定使用CPU核心数，-1为使用全部CPU。

保存预测的结果

现在你可以在运行目录找到这个文件，在比赛网站上可提交查看实际分数。

标杆模型：随机森林

使用K-means可能得到的结果没那么理想。在官网上，举办方给出了两个标杆模型，效果最好的是随机森林。以下是代码，读者可以自己测试。

总结

K-means算法是数据挖掘的十大经典算法之一，但实际中如果想要得到满意的效果，还是非常难的，以后会讲到集成学习，使弱学习器进阶为强学习器。

关于数据挖掘的更多内容，我将持续更新在该项目，欢迎感兴趣的朋友赏个star：https://github.com/wmpscc/DataMiningNotesAndPractice