本文主要是介绍机器学习2k-means聚类,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!
K-means聚类
- 1、k-means:工作原理
- 2、k-means代码实现:
- 3、k-means sklearn代码的实现:
- 4、效果的评估:
- 总结:
1、k-means:工作原理
k-means一种基于形心的技术,k-means算法把簇的形心(质心)定义为簇内点的均值。它的处理流程如下。首先在D中随机地选择k个对象,每个对象代表一个簇的初始均值或中心。对剩下的每隔对象,根据其余各个簇中心的欧式距离,将它分配到最相似的簇。然后,k-means 算法迭代地改善簇内变差。对于每隔簇,它使用上次迭代分配到该簇的对象。计算新的均值,然后,使用更新后的均值作为新的簇中心,重新分配所有的对象。迭代继续,知道分配稳定,即本轮形成的簇与前一轮形成的簇相同。k-means过程如下:
方法:
- 确定要将数据聚合成几类,参数k
- 从数据当中,随机的选择k个点,称为聚类中心点
- 计算所有其他点,到这三个点的距离。然后 找出离每个数据点最近的中心点。就将该点划分到 这个中心点所代表的的簇当中去。
- 所有点都会被划分到k个簇当中去。
- 重新计算K个簇的质心,作为下一次聚类的中心点
- 重复上面的3-5步的过程,重新进行聚类
- 停止条件,第一个:当重新聚类后,所有样本 点归属类别都没有发生变化的时候。
2、k-means代码实现:
1、计算欧氏距离
def euclDistance(vector1, vector2):
return np.sqrt(sum((vector2 - vector1) ** 2)) 2、初始化质心def initCentroids(data, k):
numSamples, dim = data.shape
# k个质心,列数跟样本的列数一样
centroids = np.zeros((k, dim))
# 随机选出k个质心
for i in range(k):
# 随机选取一个样本的索引
index = int(np.random.uniform(0, numSamples))
# 作为初始化的质心
centroids[i, :] = data[index, :]
return centroids3、算法实现过程
#传入数据集和k值 def kmeans(data, k):
# 计算样本个数
numSamples = data.shape[0]
# 样本的属性,第一列保存该样本属于哪个簇,第二列保存该样本跟它所属簇的误差
clusterData = np.array(np.zeros((numSamples, 2)))
# 决定质心是否要改变的质量
clusterChanged = True
# 初始化质心
centroids = initCentroids(data, k)
while clusterChanged:
clusterChanged = False
# 循环每一个样本
for i in range(numSamples):
# 最小距离
minDist = 100000.0
# 定义样本所属的簇
minIndex = 0
# 循环计算每一个质心与该样本的距离
for j in range(k):
# 循环每一个质心和样本,计算距离
distance = euclDistance(centroids[j, :], data[i, :])
# 如果计算的距离小于最小距离,则更新最小距离
if distance < minDist:
minDist = distance
# 更新最小距离
clusterData[i, 1] = minDist
# 更新样本所属的簇
minIndex = j
# 如果样本的所属的簇发生了变化
if clusterData[i, 0] != minIndex:
# 质心要重新计算
clusterChanged = True
# 更新样本的簇
clusterData[i, 0] = minIndex
# 更新质心
for j in range(k):
# 获取第j个簇所有的样本所在的索引
cluster_index = np.nonzero(clusterData[:, 0] == j)
# 第j个簇所有的样本点
pointsInCluster = data[cluster_index]
# 计算质心
centroids[j, :] = np.mean(pointsInCluster, axis=0)
return centroids, clusterData
上诉代码链接来源于:https://blog.csdn.net/qq_30377909/article/details/94596305
3、k-means sklearn代码的实现:
sklearn.cluster.KMeans n_clusters:int, default=8 聚类的组数, 也就是k值.
init: {‘k-means++’, ‘random’, ndarray, callable}, default=’k-means++’
k-means++就是一种选择初始聚类中心点的算法.
n_init: int, default=10 以不同的随机数种子, 重复执行10次, 然后选择出其中最好的结果.
max_iter:int, default=300 最大迭代次数
tol:float, default=1e-4 如果两次迭代中, 聚类中心点的变化, 达不到这个值的大小, 则停止.
random_state: 随机数种子
Attributes属性:
cluster_centers_: 聚类中心点.
labels_: 每个点对应的标签.
inertia_: 组内距离平方和, 用于衡量聚类效果.
n_iter_: 迭代次数
#导包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
# 一共生成1000个数据, 分成四组, # 每组数据有两个特征
# 中心点分别是 -1-1, 00, 11, 22
# 标准差分别是 0.4, 0.2, 0.2, 0.2X, y = make_blobs(n_samples=1000,n_features=2,centers=[ [-1, -1], [0, 0], [1, 1], [2, 2] ] , cluster_std=[0.4, 0.2, 0.2, 0.2], random_state=666, shuffle=True)
# 实例化模型
kmeans = KMeans(n_clusters=2,random_state=666)
# 模型训练
kmeans.fit(X)
# 聚类结果
kmeans.labels_
kmeans.n_iter_ # 迭代次数
kmeans.inertia_#查看组内平方和
#可视化聚类对象
plt.figure(dpi = 200)
plt.scatter(X[:,0],X[:,1] , c = kmeans.labels_,cmap = "rainbow")
plt.scatter(kmeans.cluster_centers_[:,0],kmeans.cluster_centers_[:,1],c="red",s = 100)
4、效果的评估:
如何评估k个分类中心呢?从前面我们的到k-means聚类实则就是使得簇内距离达到最小(组内离差平方和)簇间(组间离差平方和)距离越大。而这个参数inertia_ 使得这个组内离差平方和最小。接下来我们来绘制这个参数与K的学习曲线图:
kmeans_inertia = []
for k in range(2,8):
kmeans = KMeans(n_clusters=k,random_state=666)
# 模型训练
kmeans.fit(X)
kmeans_inertia.append(kmeans.inertia_)
plt.figure(dpi = 150)
plt.plot(range(2,8),kmeans_inertia)
plt.xlabel(‘k_value’)
plt.ylabel(‘inertia’)
这时我们发现了一个问题,innertia与K这个值不是太好确定,因为innertia它能最小取到0,它没有一个限制的条件,但是对于我们来说,如果取0,那就毫无意义了。
这时我们可以采用轮廓系数来评估模型的性能及k的选值。
轮廓系数:
计算公式:
针对样本空间中的一个特定样本,计算它与所在聚类其它样本的平均距离a,
以及该样本与距离最近的另一个聚类中所有样本的平均距离b,该样本的轮廓系数为(b-a)/max(a, b),
将整个样本空间中所有样本的轮廓系数取算数平均值,作为聚类划分的性能指标s。
轮廓系数的区间为:[-1, 1]。 -1代表分类效果差,1代表分类效果好。0代表聚类重叠,没有很好的划分聚类。
接下来我们使用轮廓系数与k值的选值做学习曲线
from sklearn.metrics import silhouette_score
sil_scores = []
for k in range(2, 11): # k 2-10变化kmeans = KMeans(n_clusters=k, random_state=666)# 学习kmeans.fit(X)# 计算轮廓系数sil_scores.append(silhouette_score(X, kmeans.labels_))
plt.figure(dpi=100,figsize=(5, 4) )
plt.plot(range(2, 11),sil_scores )
plt.xlabel("k值")
plt.ylabel("silihoscore");
#聚合成4个簇, 聚类效果最好
从上图可以看出当k= 6 的时候聚类出来的效果最好。
总结:
当然我们还能通过随机数种子来提升模型的聚类效果,这里我们就不介绍了。
Kmeans总结
特点分析:
采⽤迭代式算法,直观易懂并且⾮常实⽤
缺点:容易收敛到局部最优解(多次聚类)
需要预先设定簇的数量(k-means++解决)
1、K值的选取不好把握(改进:可以通过在一开始给定一个适合的数值给k,通过一次K-means算法得到一次聚类中心。对于得到的聚类中心,根据得到的k个聚类的距离情况,合并距离最近的类,因此聚类中心数减小,当将其用于下次聚类时,相应的聚类数目也减小了,最终得到合适数目的聚类数。可以通过一个评判值E来确定聚类数得到一个合适的位置停下来,而不继续合并聚类中心。重复上述循环,直至评判函数收敛为止,最终得到较优聚类数的聚类结果)。
2、对于不是凸的数据集比较难收敛(改进:基于密度的聚类算法更加适合,比如DESCAN算法)
这篇关于机器学习2k-means聚类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!