K-means算法的主要思想就是以空间中的K个点为中心进行聚类,对最靠近它的对象进行归类。通过迭代的方法不断的更新各聚类中心的值,直到最好的聚类结果。
K的取值: 确定聚类数K没有最佳的方法,通常需要根据具体的问题由人工进行选择。非监督聚类没有比较直接的聚类评估方法,但是可以从簇内的稠密程度和簇间的离散程度来评估聚类的效果。最常见的方法有轮廓系数Silhouette Coefficient和Calinski-Harabaz Index。其中Calinski-Harabaz Index计算直接简单,得到的结果越大则聚类效果越好。计算公式如下: s ( K ) = ( t r ( B k ) t r ( W k ) ⋅ m − k k − 1 ) s ( K ) = ( t r ( B k ) t r ( W k ) ⋅ m − k k − 1 ) s ( K ) = ( t r ( B k ) t r ( W k ) ⋅ m − k k − 1 ) s(K)=(tr(Bk)tr(Wk)⋅m−kk−1)s(K)=(tr(Bk)tr(Wk)⋅m−kk−1) s(K)=(\frac{tr(B_{k})}{tr(W_{k})}\cdot \frac{m-k}{k-1}) s(K)=(tr(Bk)tr(Wk)⋅m−kk−1)s(K)=(tr(Bk)tr(Wk)⋅m−kk−1)s(K)=(tr(Wk)tr(Bk)⋅k−1m−k)s(K)=(tr(Wk)tr(Bk)⋅k−1m−k)
其中:m为训练集样本数,k为类别数。Bk为类别之间的协方差矩阵,Wk为内部数据之间的协方差矩阵。tr为矩阵的迹。 也就是说内部数据的协方差越小越好,类别之间的协方差越大越好,这样对应的Calinski-Harabaz Index分数也就越高
主要步骤:
在N个数据中,随机挑选K个数据(也就是最后聚类为K类)做为聚类的初始中心。分别计算每个数据点到这K个中心点的欧式距离,离哪个中心点最近就分配到哪个簇中。重新计算这K个簇数据的坐标均值,将新的均值作为聚类的中心。重复2和3步骤,直到簇中心的坐标不再变换或者达到规定的迭代次数,形成最终的K个聚类。源码实现: 有两个py文件。kmeans.py 和 kmeanstest.py。源码在kmeans.py中,kmeanstest.py为实例(后期会给出sklean运行代码)。
# %load kmeans.py#导入模块 import numpy as np import matplotlib.pyplot as plt from math import sqrt
#计算欧式距离 def eucDistance(vec1,vec2): return sqrt(sum(pow(vec2-vec1,2)))
#初始聚类中心选择 def initCentroids(dataSet,k): numSamples,dim = dataSet.shape centroids = np.zeros((k,dim)) for i in range(k): index = int(np.random.uniform(0,numSamples)) centroids[i,:] = dataSet[index,:] return centroids
#K-means聚类算法,迭代 def kmeanss(dataSet,k): numSamples = dataSet.shape[0] clusterAssement = np.mat(np.zeros((numSamples,2))) clusterChanged = True # 初始化聚类中心 centroids = initCentroids(dataSet,k) while clusterChanged: clusterChanged = False for i in range(numSamples): minDist = 100000.0 minIndex = 0 # 找到哪个与哪个中心最近 for j in range(k): distance = eucDistance(centroids[j,:],dataSet[i,:]) if distance<minDist: minDist = distance minIndex = j # 更新簇 clusterAssement[i,:] = minIndex,minDist**2 if clusterAssement[i,0]!=minIndex: clusterChanged = True # 坐标均值更新簇中心 for j in range(k): pointsInCluster = dataSet[np.nonzero(clusterAssement[:0].A==j)[0]] centroids[j,:] = np.mean(pointsInCluster,axis=0) print(‘Congratulations,cluster complete!’) return centroids,clusterAssement
#聚类结果显示 def showCluster(dataSet,k,centroids,clusterAssement): numSamples,dim = dataSet.shape mark = [‘or’,‘ob’,‘og’,‘ok’,’^r’,’+r’,’<r’,‘pr’] if k>len(mark): print(‘Sorry!’) return 1 for i in np.xrange(numSamples): markIndex = int(clusterAssement[i,0]) plt.plot(centroids[i,0],centroids[i,1],mark[i],markersize=12) plt.show()
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960有如下80个二维数据的样本,存在testSet的文档中,经过数据预处理和分析得知数据集共有4个类,所以确定K=4。
# %load kmeanstest.py#导入模块 import kmeans import numpy as np import matplotlib.pyplot as plt from math import sqrt
#从文件加载数据集 dataSet=[] fileIn = open(’./testSet.txt’) for line in fileIn.readlines(): lineArr = line.strip().split(’\t’) dataSet.append([float(lineArr[0]),float(lineArr[1])])
#调用k-means进行数据聚类 dataSet = np.mat(dataSet) k = 4 centroids,clusterAssement = kmeans.kmeanss(dataSet,k)
#显示结果 kmeans.showCluster(dataSet,centroids,clusterAssement)
12345678910111213141516171819202122使用k-means算法聚类结果如下:
用sklearn实现Kmeans:
随机生成二维多类数据,样本大致分为4类,调用sklearn中的聚类函数进行分析不同k值对聚类结果的影响以及评估方法。
import numpy as np import matplotlib.pyplot as plt from sklearn.datasets.samples_generator import make_blobs from sklearn.cluster import KMeansX, 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=9) plt.scatter(X[:, 0], X[:, 1], marker=’+’) plt.show()
123456789K=2:
y_pred = KMeans(n_clusters=2, random_state=9).fit_predict(X) plt.scatter(X[:, 0], X[:, 1], c=y_pred) plt.show() 123调用Calinski-Harabaz Index来评估聚类分数:
from sklearn import metrics metrics.calinski_harabaz_score(X, y_pred) 12K=3:
y_pred = KMeans(n_clusters=3, random_state=9).fit_predict(X) plt.scatter(X[:, 0], X[:, 1], c=y_pred) plt.show() from sklearn import metrics metrics.calinski_harabaz_score(X, y_pred) 12345
K=4:
y_pred = KMeans(n_clusters=4, random_state=9).fit_predict(X) plt.scatter(X[:, 0], X[:, 1], c=y_pred) plt.show() from sklearn import metrics metrics.calinski_harabaz_score(X, y_pred) 12345可以发现当K=4的时候得分最高,在往后分值就会有所下降,所以现在的K值比较合适。
K=5:
y_pred = KMeans(n_clusters=5, random_state=9).fit_predict(X) plt.scatter(X[:, 0], X[:, 1], c=y_pred) plt.show() from sklearn import metrics metrics.calinski_harabaz_score(X, y_pred) 123456</div> <link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-258a4616f7.css" rel="stylesheet"> </div>