将聚类输出拟合到机器学习模型中

Question

只是一个机器学习/数据科学问题。

a)假设我有一个包含 20 个特征的数据集，我决定使用 3 个特征来执行无监督聚类学习 - 理想情况下这会产生 3 个集群（A、B 和 C）。

b)然后我将该输出结果（集群 A、B 或 C）作为新特征（即现在总共 21 个特征）拟合回我的数据集。

c)我运行一个回归模型来预测具有 21 个特征的标签值。

想知道步骤b)是否是多余的（因为这些特征已经存在于早期的数据集中），我是否使用更强大的模型（随机森林，XGBoost），以及如何从数学上解释这一点。

任何意见和建议都会很棒！

Answer 1

啊哈不错！ 您可能认为您正在使用两个模型，但实际上您将两个模型合并为一个，并使用跳过连接。 由于它是一种模型，因此根据 No Free Lunch Theorem，无法事先确定最好的架构是什么。 因此，实际上，您必须尝试一下，并且从数学上讲，由于没有免费午餐定理，因此事先不知道。

Answer 2

好主意：试一试，看看效果如何。 正如您所猜测的，这高度依赖于您的数据集和模型选择。 很难预测添加这种类型的特征会如何表现，就像任何其他特征工程一样。 但请注意，在某些情况下，它甚至不会提高您的性能。 使用 Iris 数据集查看以下性能实际下降的测试：

import numpy as np
from sklearn.cluster import KMeans
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.svm import SVC
from sklearn import metrics

# load data
iris = load_iris()
X = iris.data[:, :3]  # only keep three out of the four available features to make it more challenging
y = iris.target

# split train / test
indices = np.random.permutation(len(X))
N_test = 30
X_train, y_train = X[indices[:-N_test]], y[indices[:-N_test]]
X_test, y_test = X[indices[N_test:]], y[indices[N_test:]]

# compute a clustering method (here KMeans) based on available features in X_train
kmeans = KMeans(n_clusters=3, random_state=0).fit(X_train)
new_clustering_feature_train = kmeans.predict(X_train)
new_clustering_feature_test = kmeans.predict(X_test)

# create a new input train/test X with this feature added
X_train_with_clustering_feature = np.column_stack([X_train, new_clustering_feature_train])
X_test_with_clustering_feature = np.column_stack([X_test, new_clustering_feature_test])

现在让我们比较仅在X_train或X_train_with_clustering_feature上学习的两个模型：

model1 = SVC(kernel='rbf', gamma=0.7, C=1.0).fit(X_train, y_train)
print(metrics.classification_report(model1.predict(X_test), y_test))

              precision    recall  f1-score   support

           0       1.00      1.00      1.00        45
           1       0.95      0.97      0.96        38
           2       0.97      0.95      0.96        37

    accuracy                           0.97       120
   macro avg       0.97      0.97      0.97       120
weighted avg       0.98      0.97      0.97       120

另一个模型：

model2 = SVC(kernel='rbf', gamma=0.7, C=1.0).fit(X_train_with_clustering_feature, y_train)
print(metrics.classification_report(model2.predict(X_test_with_clustering_feature), y_test))

           0       1.00      1.00      1.00        45
           1       0.87      0.97      0.92        35
           2       0.97      0.88      0.92        40

    accuracy                           0.95       120
   macro avg       0.95      0.95      0.95       120
weighted avg       0.95      0.95      0.95       120