Kmeans 聚類 及其python實現
主要參考 K-means 聚類算法及 python 代碼實現 還有 《機器學習實戰》 這本書,當然前面那個鏈接的也是參考這本書,懂原理,會用就行了。
1、概述
K-means 算法是集簡單和經典於一身的基於距離的聚類算法
采用距離作為相似性的評價指標,即認為兩個對象的距離越近,其相似度就越大。
該算法認為類簇是由距離靠近的對象組成的,因此把得到緊湊且獨立的簇作為最終目標。
說白了就是無監督的聚類,大家都是同一個標註,或者沒有標註,然後這一堆數據是一類,那一堆又是一類,你人為的設置好幾個類,算法自動幫你分好各個類,只要每個類的樣本盡可能的緊湊即可。
2、核心思想
通過叠代尋找 k 個類簇的一種劃分方案,使得用這 k 個類簇的均值來代表相應各類樣本時所得的總體誤差最小。
k 個聚類具有以下特點:各聚類本身盡可能的緊湊,而各聚類之間盡可能的分開。
k-means 算法的基礎是最小誤差平方和準則,
其代價函數是:
式中,μc(i) 表示第 i 個聚類的均值。
各類簇內的樣本越相似,其與該類均值間的誤差平方越小,對所有類所得到的誤差平方求和,即可驗證分為 k 類時,各聚類是否是最優的。
上式的代價函數無法用解析的方法最小化,只能有叠代的方法。
3、算法步驟圖解
下圖展示了對 n 個樣本點進行 K-means 聚類的效果,這裏 k 取 2。
4、算法實現步驟
k-means 算法是將樣本聚類成 k 個簇(cluster),其中 k 是用戶給定的,其求解過程非常直觀簡單,具體算法描述如下:
1) 隨機選取 k 個聚類質心點
2) 重復下面過程直到收斂 {
對於每一個樣例 i,計算其應該屬於的類:
對於每一個類 j,重新計算該類的質心:
}
其偽代碼如下:
******************************************************************************
創建 k 個點作為初始的質心點(隨機選擇)
當任意一個點的簇分配結果發生改變時
對數據集中的每一個數據點
對每一個質心
計算質心與數據點的距離
將數據點分配到距離最近的簇
對每一個簇,計算簇中所有點的均值,並將均值作為質心
********************************************************
5、K-means 聚類算法 python 實戰
這個就是書上的代碼。
需求: 對給定的數據集進行聚類
本案例采用二維數據集,共 80 個樣本,有 4 個類。
$ wc -l testSet.txt;head testSet.txt
80 testSet.txt
1.658985 4.285136
-3.453687 3.424321
4.838138 -1.151539
-5.379713 -3.362104
0.972564 2.924086
-3.567919 1.531611
0.450614 -3.302219
-3.487105 -1.724432
2.668759 1.594842
-3.156485 3.191137
#!/usr/bin/env python # -*- coding: utf-8 -*- # Time : 18-8-8 下午2:17 # Author : dahu # File : kmeans2.py # Software: PyCharm #from : https://www.cnblogs.com/ahu-lichang/p/7161613.html import sys reload(sys) sys.setdefaultencoding(‘UTF-8‘) from numpy import * import matplotlib.pyplot as plt # 加載數據 def loadDataSet(fileName): # 解析文件,按tab分割字段,得到一個浮點數字類型的矩陣 dataMat = [] # 文件的最後一個字段是類別標簽 fr = open(fileName) for line in fr.readlines(): curLine = line.strip().split(‘\t‘) fltLine = map(float, curLine) # 將每個元素轉成float類型 dataMat.append(fltLine) return dataMat # 計算歐幾裏得距離 def distEclud(vecA, vecB): return sqrt(sum(power(vecA - vecB, 2))) # 求兩個向量之間的距離 # 構建聚簇中心,取k個(此例中k=4)隨機質心 def randCent(dataSet, k): n = shape(dataSet)[1] centroids = mat(zeros((k,n))) # 每個質心有n個坐標值,總共要k個質心 for j in range(n): minJ = min(dataSet[:,j]) maxJ = max(dataSet[:,j]) rangeJ = float(maxJ - minJ) centroids[:,j] = minJ + rangeJ * random.rand(k, 1) return centroids # k-means 聚類算法 def kMeans(dataSet, k, distMeans =distEclud, createCent = randCent): ‘‘‘ :param dataSet: 沒有lable的數據集 (本例中是二維數據) :param k: 分為幾個簇 :param distMeans: 計算距離的函數 :param createCent: 獲取k個隨機質心的函數 :return: centroids: 最終確定的 k個 質心 clusterAssment: 該樣本屬於哪類 及 到該類質心距離 ‘‘‘ m = shape(dataSet)[0] #m=80,樣本數量 clusterAssment = mat(zeros((m,2))) # clusterAssment第一列存放該數據所屬的中心點,第二列是該數據到中心點的距離, centroids = createCent(dataSet, k) clusterChanged = True # 用來判斷聚類是否已經收斂 while clusterChanged: clusterChanged = False; for i in range(m): # 把每一個數據點劃分到離它最近的中心點 minDist = inf; minIndex = -1; for j in range(k): distJI = distMeans(centroids[j,:], dataSet[i,:]) if distJI < minDist: minDist = distJI; minIndex = j # 如果第i個數據點到第j個中心點更近,則將i歸屬為j if clusterAssment[i,0] != minIndex: clusterChanged = True # 如果分配發生變化,則需要繼續叠代 clusterAssment[i,:] = minIndex,minDist**2 # 並將第i個數據點的分配情況存入字典 # print centroids for cent in range(k): # 重新計算中心點 ptsInClust = dataSet[nonzero(clusterAssment[:,0].A == cent)[0]] # 去第一列等於cent的所有列 centroids[cent,:] = mean(ptsInClust, axis = 0) # 算出這些數據的中心點 return centroids, clusterAssment # --------------------測試---------------------------------------------------- # 用測試數據及測試kmeans算法 if __name__ == ‘__main__‘: datMat = mat(loadDataSet(‘testSet.txt‘)) # print min(datMat[:,0]) # print max(datMat[:,1]) # print randCent(datMat,4) myCentroids,clustAssing = kMeans(datMat,4) print myCentroids # print clustAssing,len(clustAssing) plt.figure(1) x=array(datMat[:,0]).ravel() y=array(datMat[:,1]).ravel() plt.scatter(x,y, marker=‘o‘) xcent=array(myCentroids[:,0]).ravel() ycent=array(myCentroids[:,1]).ravel() plt.scatter( xcent, ycent, marker=‘x‘, color=‘r‘, s=50) plt.show()
運行結果:
代碼不是特別的難,看下都可以看得明白,發現都有點不會numpy的操作了,裏面有一些是基於numpy的 布爾型數組操作 ,要補一補。 第 04 章 NumPy 基礎:數組和矢量計算
簡單說下各個函數的作用:
loadDataSet :加載數據的
distEclud : 計算距離的,註釋說是計算歐幾裏德距離,其實就是計算 每個樣本 到 每個聚類質心的距離,這是用來確定質心坐標的。
kMeans : 主函數了,實現了kmeans 算法
註釋已經比較詳細了,就不再細說了。 書上後面還有一個對kmeans優化的地方,這裏就不介紹了。
Kmeans 聚類 及其python實現