博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
K-均值聚类算法
阅读量:6989 次
发布时间:2019-06-27

本文共 5290 字,大约阅读时间需要 17 分钟。

聚类是一种无监督的学习算法,它将相似的数据归纳到同一簇中。K-均值是因为它可以按照k个不同的簇来分类,并且不同的簇中心采用簇中所含的均值计算而成。

K-均值算法

算法思想

K-均值是把数据集按照k个簇分类,其中k是用户给定的,其中每个簇是通过质心来计算簇的中心点。

主要步骤:

  • 随机确定k个初始点作为质心
  • 对数据集中的每个数据点找到距离最近的簇
  • 对于每一个簇,计算簇中所有点的均值并将均值作为质心
  • 重复步骤2,直到任意一个点的簇分配结果不变

    具体实现

from numpy import *import matplotlibimport matplotlib.pyplot as pltdef loadDataSet(fileName):      #general function to parse tab -delimited floats    dataMat = []                #assume last column is target value    fr = open(fileName)    for line in fr.readlines():        curLine = line.strip().split('\t')        fltLine = map(float,curLine) #map all elements to float()        dataMat.append(fltLine)    return dataMatdef distEclud(vecA, vecB):    return sqrt(sum(power(vecA - vecB, 2))) #la.norm(vecA-vecB)def randCent(dataSet, k):    n = shape(dataSet)[1]    centroids = mat(zeros((k,n)))#create centroid mat    for j in range(n):#create random cluster centers, within bounds of each dimension        minJ = min(dataSet[:,j])         rangeJ = float(max(dataSet[:,j]) - minJ)        centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1))    return centroids    def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):    m = shape(dataSet)[0]    clusterAssment = mat(zeros((m,2)))#create mat to assign data points                                       #to a centroid, also holds SE of each point    centroids = createCent(dataSet, k)    clusterChanged = True    while clusterChanged:        clusterChanged = False        for i in range(m):#for each data point assign it to the closest centroid            minDist = inf; minIndex = -1            for j in range(k):                distJI = distMeas(centroids[j,:],dataSet[i,:])                if distJI < minDist:                    minDist = distJI; minIndex = j            if clusterAssment[i,0] != minIndex: clusterChanged = True            clusterAssment[i,:] = minIndex,minDist**2        for cent in range(k):#recalculate centroids            ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]#get all the point in this cluster            centroids[cent,:] = mean(ptsInClust, axis=0) #assign centroid to mean             print ptsInClust            print mean(ptsInClust, axis=0)             return    return centroids, clusterAssmentdef clusterClubs(numClust=5):    datList = []    for line in open('places.txt').readlines():        lineArr = line.split('\t')        datList.append([float(lineArr[4]), float(lineArr[3])])    datMat = mat(datList)    myCentroids, clustAssing = biKmeans(datMat, numClust, distMeas=distSLC)    fig = plt.figure()    rect=[0.1,0.1,0.8,0.8]    scatterMarkers=['s', 'o', '^', '8', 'p', \                    'd', 'v', 'h', '>', '<']    axprops = dict(xticks=[], yticks=[])    ax0=fig.add_axes(rect, label='ax0', **axprops)    imgP = plt.imread('Portland.png')    ax0.imshow(imgP)    ax1=fig.add_axes(rect, label='ax1', frameon=False)    for i in range(numClust):        ptsInCurrCluster = datMat[nonzero(clustAssing[:,0].A==i)[0],:]        markerStyle = scatterMarkers[i % len(scatterMarkers)]        ax1.scatter(ptsInCurrCluster[:,0].flatten().A[0], ptsInCurrCluster[:,1].flatten().A[0], marker=markerStyle, s=90)    ax1.scatter(myCentroids[:,0].flatten().A[0], myCentroids[:,1].flatten().A[0], marker='+', s=300)    plt.show()

结果

K均值

算法收敛

设目标函数为

J(c,μ)=i=1m(xiμc(i))2J(c,μ)=∑i=1m(xi−μc(i))2

Kmeans算法是将J调整到最小,每次调整质心,J值也会减小,同时c和μμ也会收敛。由于该函数是一个非凸函数,所以不能保证得到全局最优,智能确保局部最优解。

二分K均值算法

为了克服K均值算法收敛于局部最小值的问题,提出了二分K均值算法。

算法思想

该算法首先将所有点作为一个簇,然后将该簇一分为2,之后选择其中一个簇继续进行划分,划分规则是按照最大化SSE(目标函数)的值。

主要步骤:

  • 将所有点看成一个簇
  • 计算每一个簇的总误差
  • 在给定的簇上进行K均值聚类,计算将簇一分为二的总误差
  • 选择使得误差最小的那个簇进行再次划分
  • 重复步骤2,直到簇的个数满足要求

具体实现

def biKMeans(dataSet, k, distMeans=distEclud):    m, n = shape(dataSet)    clusterAssment = mat(zeros((m, 2))) # init all data for index 0    centroid = mean(dataSet, axis=0).tolist()    centList = [centroid]    for i in range(m):        clusterAssment[i, 1] = distMeans(mat(centroid), dataSet[i, :]) ** 2    while len(centList) < k:        lowestSSE = inf        for i in range(len(centList)):            cluster = dataSet[nonzero(clusterAssment[:, 0].A == i)[0], :] # get the clust data of i            centroidMat, splitCluster = kMeans(cluster, 2, distMeans)            sseSplit = sum(splitCluster[:, 1]) #all sse            sseNotSplit = sum(clusterAssment[nonzero(clusterAssment[:, 0].A != i)[0], 1]) # error sse            #print sseSplit, sseNotSplit            if sseSplit + sseNotSplit < lowestSSE:                bestCentToSplit = i                bestNewCent = centroidMat                bestClust = splitCluster.copy()                lowerSEE = sseSplit + sseNotSplit        print bestClust        bestClust[nonzero(bestClust[:, 0].A == 1)[0], 0] = len(centList)        bestClust[nonzero(bestClust[:, 0].A == 0)[0], 0] = bestCentToSplit        print bestClust        print 'the bestCentToSplit is: ',bestCentToSplit        print 'the len of bestClustAss is: ', len(bestClust)        centList[bestCentToSplit] = bestNewCent[0, :].tolist()[0]        centList.append(bestNewCent[1, :].tolist()[0])        print clusterAssment        clusterAssment[nonzero(clusterAssment[:, 0].A == bestCentToSplit)[0], :] = bestClust        print clusterAssment    return mat(centList), clusterAssment

结果

二分K均值

本文转自cococo点点博客园博客,原文链接:http://www.cnblogs.com/coder2012/p/4712718.html,如需转载请自行联系原作者
你可能感兴趣的文章
Pyqt 国际化多语言支持
查看>>
大多数女生为什么不适合当程序员?
查看>>
SID1190471 / 烦人的幻灯片 暴力出奇迹 !!!!!!!!!!!!!!!!!!...
查看>>
高速排序 与 随机高速排序 算法分析
查看>>
使用MyEclipse 2014构建Maven项目的两种方法
查看>>
WebGIS中以version方式实现代码更新后前端自动读取更新代码的方法
查看>>
Centos 安装Apache软件
查看>>
微信小程序中在swiper-item中遍历循环添加多个数据内容(微信小程序交流群:604788754)...
查看>>
java-mybaits-00503-延迟加载
查看>>
看淡你的权力
查看>>
Linux学习(一)
查看>>
[1-5] 把时间当做朋友(李笑来)Chapter 5 【小心所谓成功学】 摘录
查看>>
POJ 3126 Prime Path SPFA
查看>>
Shortest Path [3]
查看>>
离线情报分析工具CaseFile
查看>>
【iCore4 双核心板_FPGA】例程九:锁相环实验——锁相环使用
查看>>
05Hadoop-左外连接
查看>>
python3 识别图片文字
查看>>
文字在div中水平和垂直居中的的css样式
查看>>
cocos creator protobuf实践
查看>>