【机器学习】(5.2)聚类--Kmeans

2024-08-27 17:08
文章标签 学习 机器 聚类 kmeans 5.2

本文主要是介绍【机器学习】(5.2)聚类--Kmeans,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

无监督模型。

聚类算法需要度量样本间的距离,距离度量的方式可以参考【机器学习】(5)聚类--距离度量_mjiansun的博客-CSDN博客

一般会使用欧氏距离。

1. K-means

1.1 基本思想

1.2 算法步骤

注意点与思考:

1. 初始值该怎么选择?

共有如下几种选择方式:

(1)根据人的先验知识得到K个初始值,比如男女身高,假定男性身高175cm,女性165cm。

(2)从样本中随机选择K个点作为初始值。但是随机选择初始值会出现如下情况:

(3)为了改善(2)中的情况,可以使用kmeans++的方式选择初始值(一般选用这种方式)。

2. k-means在更新时使用簇中所有点的均值为新质心,是否合理呢?

但是这种方式用的比较少。

2. 初始值选择改进--kmeans++

      下面结合一个简单的例子说明K-means++是如何选取初始聚类中心的。数据集中共有8个样本,分布以及对应序号如下图所示:

      假设经过图2的步骤一后6号点被选择为第一个初始聚类中心,那在进行步骤二时每个样本的D(x)和被选择为第二个聚类中心的概率如下表所示:

    其中的P(x)就是每个样本被选为下一个聚类中心的概率。最后一行的Sum是概率P(x)的累加和,用于轮盘法选择出第二个聚类中心。方法是随机产生出一个0~1之间的随机数,判断它属于哪个区间,那么该区间对应的序号就是被选择出来的第二个聚类中心了。例如1号点的区间为[0,0.2),2号点的区间为[0.2, 0.525)。

      从上表可以直观的看到第二个初始聚类中心是1号,2号,3号,4号中的一个的概率为0.9。而这4个点正好是离第一个初始聚类中心6号点较远的四个点。这也验证了K-means的改进思想:即离当前已有聚类中心较远的点有更大的概率被选为下一个聚类中心。可以看到,该例的K值取2是比较合适的。当K值大于2时,每个样本会有多个距离,需要取最小的那个距离作为D(x)

上面的方法使用了概率,但在写代码的时候可以省略得出概率的过程,只需要按照:

curSum = 0
thr = random.random() * sum(D(x))
for Di(x) in D(x):curSum += Di(x)if curSum > thr:return Di(x)对应的数据
import numpy as np
import sklearn.datasets as ds
import random
import matplotlib as mpl
import matplotlib.pyplot as pltdef Init_center(x, k = 4):'''kmeans++ 选取初始值'''# 第一个点的选取cluster_centers = []cluster_center_indice = random.sample([i for i in range(len(x))], k=1)[0]cluster_center = x[cluster_center_indice, :]cluster_centers.append(cluster_center)# 第一次的距离计算closest_distance = np.sum((cluster_center - x) ** 2, axis=1)pot_distance = np.sum(closest_distance)for i in range(1, k):thr_distance = pot_distance * np.random.random()# 计算候选点与数据的距离candidate_center = 0temp_distance_sum = 0for temp_index, temp in enumerate(closest_distance):temp_distance_sum += tempif temp_distance_sum > thr_distance:candidate_center = x[temp_index, :]breakcandidate_distance = np.sum((candidate_center - x) ** 2, axis=1)candidate_distance = np.array(candidate_distance)closest_distance = np.minimum(closest_distance, candidate_distance)pot_distance = closest_distance.sum()cluster_centers.append(candidate_center)return np.array(cluster_centers)if __name__ == "__main__":x, y = ds.make_blobs(400, n_features=2, centers=4, random_state=2018)sampleNum, featureNum = x.shapek = 4############ 终止条件,满足一条即可 ################# 设置迭代次数iter_num = 1000# 设置相邻迭代2次的均方误差的差值,需要使得差值小于某个值loss_thr = 1e-4cluster_centers = Init_center(x, k = 4)# 计算新的聚类中心previous_d = 0cur_iter = 1cluster_centers = np.array(cluster_centers)print(cluster_centers)while True:cluster_set = [[] for i in range(k)]data_cls = []cur_d = 0for x_i in x:err_array = cluster_centers - x_iD = err_array[:, 0] * err_array[:, 0] + err_array[:, 1] * err_array[:, 1]select_indice = np.argmin(D)cluster_set[select_indice].append(x_i)cur_d += D[select_indice]data_cls.append(select_indice)cluster_centers= np.array([np.mean(i, axis=0) for i in cluster_set])if abs(cur_d - previous_d) <= loss_thr or cur_iter >= iter_num:breakprevious_d = cur_dcur_iter += 1# 画图显示plt.figure(figsize=(8, 4))plt.subplot(121)plt.plot(x[:, 0], x[:, 1], 'r.', ms=3)plt.subplot(122)plt.scatter(x[:, 0], x[:, 1], c=data_cls, marker='.', cmap=mpl.colors.ListedColormap(list('rgbm')))plt.tight_layout(2)plt.show()print("end")

如上图所示,运行了2次代码,有一次的聚类效果不理想,有一个还不错。分析原因发现,就是初始点选择不好导致的,那么怎么改善初始点的选择呢?

答:多选几个候选点。然后具体从这几个候选点中选择欧式误差最小的即可。具体代码如下

import numpy as np
import sklearn.datasets as ds
import random
import matplotlib as mpl
import matplotlib.pyplot as pltdef Init_center_adjust(x, k = 4, n_local_trials=None):'''kmeans++ 选取初始值改进版本'''# Set the number of local seeding trials if none is givenif n_local_trials is None:# This is what Arthur/Vassilvitskii tried, but did not report# specific results for other than mentioning in the conclusion# that it helped.n_local_trials = 2 + int(np.log(k))# 第一个点的选取cluster_centers = []cluster_center_indice = random.sample([i for i in range(len(x))], k=1)[0]cluster_center = x[cluster_center_indice, :]cluster_centers.append(cluster_center)# 第一次的距离计算closest_distance = np.sum((cluster_center - x) ** 2, axis=1)pot_distance = np.sum(closest_distance)for i in range(1, k):thr_distance = pot_distance * np.random.random()# 计算候选点与数据的距离closest_distance_cumsum = np.cumsum(closest_distance)candidate_indices = random.sample(np.where(closest_distance_cumsum > thr_distance)[0].tolist(), k=n_local_trials)candidate_centers = x[candidate_indices]candidate_distances = []for candidate_center in candidate_centers:candidate_distance = np.sum((candidate_center - x) ** 2, axis=1)candidate_distances.append(candidate_distance)candidate_distances = np.array(candidate_distances)candidate_distances = np.minimum(closest_distance, candidate_distances)candidates_pots = candidate_distances.sum(axis=1)best_indice = np.argmin(candidates_pots)best_center = candidate_centers[best_indice]closest_distance = candidate_distances[best_indice]pot_distance = candidates_pots[best_indice]cluster_centers.append(best_center)return np.array(cluster_centers)if __name__ == "__main__":x, y = ds.make_blobs(400, n_features=2, centers=4, random_state=2018)sampleNum, featureNum = x.shapek = 4############ 终止条件,满足一条即可 ################# 设置迭代次数iter_num = 1000# 设置相邻迭代2次的均方误差的差值,需要使得差值小于某个值loss_thr = 1e-4cluster_centers = Init_center_adjust(x, k = 4, n_local_trials=None)# 计算新的聚类中心previous_d = 0cur_iter = 1cluster_centers = np.array(cluster_centers)print(cluster_centers)while True:cluster_set = [[] for i in range(k)]data_cls = []cur_d = 0for x_i in x:err_array = cluster_centers - x_iD = err_array[:, 0] * err_array[:, 0] + err_array[:, 1] * err_array[:, 1]select_indice = np.argmin(D)cluster_set[select_indice].append(x_i)cur_d += D[select_indice]data_cls.append(select_indice)cluster_centers= np.array([np.mean(i, axis=0) for i in cluster_set])if abs(cur_d - previous_d) <= loss_thr or cur_iter >= iter_num:breakprevious_d = cur_dcur_iter += 1# 画图显示plt.figure(figsize=(8, 4))plt.subplot(121)plt.plot(x[:, 0], x[:, 1], 'r.', ms=3)plt.subplot(122)plt.scatter(x[:, 0], x[:, 1], c=data_cls, marker='.', cmap=mpl.colors.ListedColormap(list('rgbm')))plt.tight_layout(2)plt.show()print("end")

但有时候所得结果还是会有所偏差,会不太好,那么可以采用如下方式进行改进:重复运行多次,选取误差较小那一个中心店模型即可。这里也是sklearn的做法, 中n_init参数就表示运行了10次,然后从中选择误差最小那个。

3. kmean计算加速

选取初始点的方式还是kmeans++,只是在迭代更新聚类中心时,不再使用全量样本,而是使用部分样本进行聚类中心的更新。

import numpy as np
import sklearn.datasets as ds
import random
import matplotlib as mpl
import matplotlib.pyplot as pltdef Init_center(x, k = 4):'''kmeans++ 选取初始值'''# 第一个点的选取cluster_centers = []cluster_center_indice = random.sample([i for i in range(len(x))], k=1)[0]cluster_center = x[cluster_center_indice, :]cluster_centers.append(cluster_center)# 第一次的距离计算closest_distance = np.sum((cluster_center - x) ** 2, axis=1)pot_distance = np.sum(closest_distance)for i in range(1, k):thr_distance = pot_distance * np.random.random()# 计算候选点与数据的距离candidate_center = 0temp_distance_sum = 0for temp_index, temp in enumerate(closest_distance):temp_distance_sum += tempif temp_distance_sum > thr_distance:candidate_center = x[temp_index, :]breakcandidate_distance = np.sum((candidate_center - x) ** 2, axis=1)candidate_distance = np.array(candidate_distance)closest_distance = np.minimum(closest_distance, candidate_distance)pot_distance = closest_distance.sum()cluster_centers.append(candidate_center)return np.array(cluster_centers)def Init_center_adjust(x, k = 4, n_local_trials=None):'''kmeans++ 选取初始值改进版本'''# Set the number of local seeding trials if none is givenif n_local_trials is None:# This is what Arthur/Vassilvitskii tried, but did not report# specific results for other than mentioning in the conclusion# that it helped.n_local_trials = 2 + int(np.log(k))# 第一个点的选取cluster_centers = []cluster_center_indice = random.sample([i for i in range(len(x))], k=1)[0]cluster_center = x[cluster_center_indice, :]cluster_centers.append(cluster_center)# 第一次的距离计算closest_distance = np.sum((cluster_center - x) ** 2, axis=1)pot_distance = np.sum(closest_distance)for i in range(1, k):thr_distance = pot_distance * np.random.random()# 计算候选点与数据的距离closest_distance_cumsum = np.cumsum(closest_distance)candidate_indices = random.sample(np.where(closest_distance_cumsum > thr_distance)[0].tolist(), k=n_local_trials)candidate_centers = x[candidate_indices]candidate_distances = []for candidate_center in candidate_centers:candidate_distance = np.sum((candidate_center - x) ** 2, axis=1)candidate_distances.append(candidate_distance)candidate_distances = np.array(candidate_distances)candidate_distances = np.minimum(closest_distance, candidate_distances)candidates_pots = candidate_distances.sum(axis=1)best_indice = np.argmin(candidates_pots)best_center = candidate_centers[best_indice]closest_distance = candidate_distances[best_indice]pot_distance = candidates_pots[best_indice]cluster_centers.append(best_center)return np.array(cluster_centers)if __name__ == "__main__":x, y = ds.make_blobs(400, n_features=2, centers=4, random_state=2018)sampleNum, featureNum = x.shapek = 4############ 终止条件,满足一条即可 ################# 设置迭代次数iter_num = 1000# 设置相邻迭代2次的均方误差的差值,需要使得差值小于某个值loss_thr = 1e-4cluster_centers = Init_center(x, k = 4)# 计算新的聚类中心previous_d = 0cur_iter = 1cluster_centers = np.array(cluster_centers)print(cluster_centers)while True:cluster_set = [[] for i in range(k)]data_cls = []cur_d = 0# 采用minibatch方式就这一小段batch_indices = random.sample([i for i in range(sampleNum)], k=int(sampleNum/10))x_batch = x[batch_indices, :]for x_i in x_batch:err_array = cluster_centers - x_iD = err_array[:, 0] * err_array[:, 0] + err_array[:, 1] * err_array[:, 1]select_indice = np.argmin(D)cluster_set[select_indice].append(x_i)cur_d += D[select_indice]data_cls.append(select_indice)cluster_centers= np.array([np.mean(i, axis=0) for i in cluster_set])if abs(cur_d - previous_d) <= loss_thr or cur_iter >= iter_num:breakprevious_d = cur_dcur_iter += 1print("end")

4.  K-Means适用范围

K-Means只适用于簇是凸的数据,也就是多个高斯分布的组合,而上图中最后一个是非凸的簇,所以使用K-Means方法得到的聚类效果并不理想。

5. K-Means聚类方法总结

6. 聚类的衡量指标

这个衡量指标使用场景比较有限,如果我已经知道类别的话,我完全可以使用线性回归,SVM,随机森林,深度学习的方式,感觉都比聚类好。所以我认为聚类主要的作用就是针对无标记数据,通过聚类帮助标记,或者通过聚类的方式加速大规模数据搜索(faiss)。

参考

1. K-means聚类算法的三种改进(K-means++,ISODATA,Kernel K-means)介绍与对比 - Yixuan-Xu - 博客园

这篇关于【机器学习】(5.2)聚类--Kmeans的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1112258

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

Node.js学习记录(二)

目录 一、express 1、初识express 2、安装express 3、创建并启动web服务器 4、监听 GET&POST 请求、响应内容给客户端 5、获取URL中携带的查询参数 6、获取URL中动态参数 7、静态资源托管 二、工具nodemon 三、express路由 1、express中路由 2、路由的匹配 3、路由模块化 4、路由模块添加前缀 四、中间件