K-Means原理初探
K-Means算法的思想很简单,对于给定的样本集,按照样本之间的距离大小,将样本集划分为K个簇。让簇内的点尽量紧密的连在一起,而让簇间的距离尽量的大。
如果我们想直接求上式的最小值并不容易,这是一个NP难的问题,因此只能采用启发式的迭代方法。
K-Means采用的启发式方式很简单,用下面一组图就可以形象的描述。
图a表达了初始的数据集,假设k=2。在图b中,我们随机选择了两个k类所对应的类别质心,即图中的红色质心和蓝色质心,然后分别求样本中所有点到这两个质心的距离,并标记每个样本的类别为和该样本距离最小的质心的类别,如图c所示,经过计算样本和红色质心和蓝色质心的距离,我们得到了所有样本点的第一轮迭代后的类别。此时我们对我们当前标记为红色和蓝色的点分别求其新的质心,如图4所示,新的红色质心和蓝色质心的位置已经发生了变动。图e和图f重复了我们在图c和图d的过程,即将所有点的类别标记为距离最近的质心的类别并求新的质心。最终我们得到的两个类别如图f。
当然在实际K-Mean算法中,我们一般会多次运行图c和图d,才能达到最终的比较优的类别。
聚类(clustering) 属于非监督学习 (unsupervised learning) 无类别标记(class label) 2. 举例: 3. K-means 算法: 3.1 Clustering 中的经典算法,数据挖掘十大经典算法之一 3.2 算法接受参数 k ;然后将事先输入的n个数据对象划分为 k个聚类以便使得所获得的聚类满足:同一 聚类中的对象相似度较高;而不同聚类中的对象相似度较小。 3.3 算法思想: 以空间中k个点为中心进行聚类,对最靠近他们的对象归类。通过迭代的方法,逐次更新各聚类中心 的值,直至得到最好的聚类结果 3.4 算法描述: (1)适当选择c个类的初始中心; (2)在第k次迭代中,对任意一个样本,求其到c各中心的距离,将该样本归到距离最短的中心所在 的类; (3)利用均值等方法更新该类的中心值; (4)对于所有的c个聚类中心,如果利用(2)(3)的迭代法更新后,值保持不变,则迭代结束, 否则继续迭代。 3.5 算法流程:
输入:k, data[n];优点:速度快,简单 缺点:最终结果跟初始点选择相关,容易陷入局部最优,需直到k值
(1) 选择k个初始中心点,例如c[0]=data[0],…c[k-1]=data[k-1]; (2) 对于data[0]….data[n], 分别与c[0]…c[k-1]比较,假定与c[i]差值最少,就标记为i; (3) 对于所有标记为i点,重新计算c[i]={ 所有标记为i的data[j]之和}/标记为i的个数; (4) 重复(2)(3),直到所有c[i]值的变化小于给定阈值。
In [5]:
import numpy as np def shouldStop(oldCentroids, centroids, iterations, maxIt): """ :param oldCentroids: 老的聚类中心 :param centroids: 聚类中心 :param iterations: 第几次迭代 :param maxIt: 最大迭代次数 :return: True or False """ if iterations > maxIt: return True return np.array_equal(oldCentroids, centroids) def updateLabels(dataSet, centroids): """ 更新数据集中每个点的类别 :param dataSet: 数据集 :param centroids: 聚类中心 """ numPoints, numDim = dataSet.shape for i in range(0, numPoints): dataSet[i, -1] = getLabelFromClosestCentroid(dataSet[i, :-1], centroids) def getLabelFromClosestCentroid(dataSetRow, centroids): """ :param dataSetRow:数据集中一个实例(一个点) :param centroids: 聚类中心 :return: 返回属于哪个标签(属于哪个类) """ label = centroids[0, -1] # 初始化类别为第0个实例的类别 minDist = np.linalg.norm(dataSetRow - centroids[0, :-1]) # 初始化最小距离为与第0个聚类中心的距离 for i in range(1, centroids.shape[0]): dist = np.linalg.norm(dataSetRow - centroids[i, :-1]) # 欧式距离 if dist < minDist: minDist = dist label = centroids[i, -1] print("minDist:", minDist) return label def getCentroids(dataSet, k): """ # Each centroid is the geometric mean of the points that # have that centroid's label. Important: If a centroid is empty (no points have # that centroid's label) you should randomly re-initialize it. :param dataSet: 数据集 :param k: 几个类别 :return: 更新之后的聚类中心 """ result = np.zeros((k, dataSet.shape[1])) for i in range(1, k + 1): oneCluster = dataSet[dataSet[:, -1] == i, :-1] result[i - 1, :-1] = np.mean(oneCluster + np.spacing(1), axis=0) # 防止对空列表求平均 result[i - 1, -1] = i return result
ML之Kmeans:利用自定义Kmeans函数实现对多个坐标点(自定义四个点)进行自动(最多迭代10次)分类
In [6]:def kmeans(X, k, maxIt): numPoints, numDim = X.shape dataSet = np.zeros((numPoints, numDim + 1)) dataSet[:, :-1] = X centroids = dataSet[np.random.randint(numPoints, size=k), :] # centroids = dataSet[0:2, :] # Randomly assign labels to initial centorid给初始中心随机分配标签 centroids[:, -1] = range(1, k + 1) iterations = 0 oldCentroids = None while not shouldStop(oldCentroids, centroids, iterations, maxIt): print("iteration: \n", iterations) print("dataSet: \n", dataSet) print("centroids: \n", centroids) # Save old centroids for convergence test. Book keeping. oldCentroids = np.copy(centroids) iterations += 1 updateLabels(dataSet, centroids) centroids = getCentroids(dataSet, k) return dataSetIn [10]:
x1 = np.array([1, 1]) x2 = np.array([2, 1]) x3 = np.array([4, 3]) x4 = np.array([5, 4]) testX = np.vstack((x1, x2, x3, x4)) result = kmeans(testX, 2, 10) print("final result:") print(result)
iteration: 0 dataSet: [[1. 1. 0.] [2. 1. 0.] [4. 3. 0.] [5. 4. 0.]] centroids: [[1. 1. 1.] [4. 3. 2.]] minDist: 0.0 minDist: 1.0 minDist: 0.0 minDist: 1.4142135623730951 iteration: 1 dataSet: [[1. 1. 1.] [2. 1. 1.] [4. 3. 2.] [5. 4. 2.]] centroids: [[1.5 1. 1. ] [4.5 3.5 2. ]] minDist: 0.5 minDist: 0.5 minDist: 0.7071067811865476 minDist: 0.7071067811865476 final result: [[1. 1. 1.] [2. 1. 1.] [4. 3. 2.] [5. 4. 2.]]<style></style> <style></style> <style></style> <style></style>