機器學習筆記之K means聚類

k-means聚類是聚類分析中比較基礎的演算法，屬於典型的非監督學習演算法。

其定義為對未知標記的資料集，按照資料內部存在的資料特徵將資料集劃分為多個不同的類別，使類別內的資料盡可能接近，類別間的資料相似度比較大。用於衡量距離的方法主要有曼哈頓距離、歐氏距離、切比雪夫距離，其中歐氏距離較為常用。

演算法原理如下：

1.建立k個點作為初始質心（通常是隨機選擇）

2.當任意乙個點的簇分類結果發生改變時

2.1對資料的每乙個點，計算每乙個質心與該資料點的距離，將資料點分配到距其最近的簇

2.2對於每乙個簇，計算簇中所有點的均值並將均值作為質心

停止條件為：所有的點類別劃分都不再改變為止

k均值聚類演算法原理簡單易懂，聚類效果較好，但是其缺陷也較為明顯：

1、對離群值比較敏感；

2、聚類個數的選擇會影響最終聚類效果；

3、初始化聚類中心的選擇會影響聚類效果。

以下是k-means聚類的偽**：

演算法實現：

經典的k-means均值聚類**演算法實現並不複雜，以下給出r語言實現過程：

## !/user/bin/env rstudio 1.1.423
## -*- coding: utf-8 -*-
## k-means model
library("dplyr")
library('magrittr')
library('ggplot2')
rm(list = ls())
gc()

資料輸入、標準化：

data_input

歐式距離計算：

disteclud

隨機質心選擇：

randcentre 
return (centres)
}

k-means聚類構建：

kmeans_cluster 
}if(clusterassment[i,1] != minindex) 
}for(cent in 1:k)
print(centres)
}return (
list(
centres = centres,
clusterassment = clusterassment))
}

聚類模型執行與結果輸出：

以下是基於python的k-means演算法原始碼實現：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import numpy as np
import pandas as pd
from sklearn import preprocessing
from sklearn.metrics import confusion_matrix
from matplotlib import pyplot as plt

資料輸入與標準化：

def datainput():
data = pd.read_csv("d:/python/file/iris.csv")
data.columns = ['sepal_length','sepal_width','petal_length','petal_width','class']
print(data.shape,'\n',data.head())
data.iloc[:,0:-1] = preprocessing.scale(data.iloc[:,0:-1])
data['class_c'] = pd.factorize(data['class'])[0]
return data.iloc[:,0:-2],data.iloc[:,-1]

歐式距離計算：

def disteclud(veca, vecb)
return np.sqrt(np.sum(np.power(veca - vecb, 2)))
#隨機質心選擇函式：
def randcentre(dataset, k): 
n = dataset.shape[1]
centres = np.mat(np.zeros((k,n)))
for j in range(n):
minj = np.min(dataset.iloc[:,j])
rangej = np.float(np.max(dataset.iloc[:,j]) - minj)
centres[:,j] = np.mat(minj + rangej * np.random.rand(k,1)) 
return centres

聚類演算法原始碼：

def kmeans(dataset,k): 
m = dataset.shape[0]
clusterassment = np.mat(np.zeros((m,2)))
centres = randcentre(dataset,k)
clusterchanged = true
while clusterchanged:
clusterchanged = false
for i in range(m): 
mindist = np.inf;minindex = -1
for j in range(k):
distji = disteclud(centres[j,:],dataset.iloc[i,:].values)
if distji < mindist:
mindist = distji
minindex = j
if clusterassment[i,0] != minindex:
clusterchanged = true
clusterassment[i,:] = minindex,mindist**2
print(centres)
for cent in range(k):
index = np.nonzero(clusterassment[:,0].a== cent)[0].tolist()
ptsinclust = dataset.iloc[index,:]
centres[cent,:] = np.mean(ptsinclust,axis=0).values
return centres,clusterassment

聚類演算法執行與結果輸出：

以上是原生k-means演算法的簡單實現，其中最為核心的聚類演算法模組幾乎高度還原了偽**的核心思想，但是鑑於聚類分析中異常值、k值選擇以及初始聚類中心的選擇都會影響最終的聚類效果，所以在使用k-means聚類演算法時要選擇合適的k值以及初始聚類質心，並合理處理資料中的異常值問題。

機器學習筆記之K means聚類

機器學習筆記 kMeans聚類

機器學習之Kmeans聚類

機器學習之聚類演算法 K Means

機器學習筆記之K means聚類

機器學習筆記 kMeans聚類

機器學習之Kmeans聚類

機器學習之聚類演算法 K Means

相關推薦