K-means

发布于:2025-05-10 ⋅ 阅读:(22) ⋅ 点赞:(0)

K均值算法(K-means)聚类

【关键词】K个种子,均值

一、K-means算法原理

聚类的概念:一种无监督的学习,事先不知道类别,自动将相似的对象归到同一个簇中。

K-Means算法是一种聚类分析(cluster analysis)的算法,其主要是来计算数据聚集的算法,主要通过不断地取离种子点最近均值的算法。

K-Means算法主要解决的问题如下图所示。我们可以看到,在图的左边有一些点,我们用肉眼可以看出来有四个点群,但是我们怎么通过计算机程序找出这几个点群来呢?于是就出现了我们的K-Means算法

这个算法其实很简单,如下图所示:

从上图中,我们可以看到,A,B,C,D,E是五个在图中点。而灰色的点是我们的种子点,也就是我们用来找点群的点。有两个种子点,所以 K = 2 K=2 K=2

然后,K-Means的算法如下:

1.随机在图中取K(这里 K = 2 K=2 K=2 )个种子点。

2.然后对图中的所有点求到这K个种子点的距离,假如点Pi离种子点Si最近,那么Pi属于Si点群。(上图中,我们可以看到A,B属于上面的种子点,C,D,E属于下面中部的种子点)

3.接下来,我们要移动种子点到属于他的“点群”的中心。(见图上的第三步)

4.然后重复第2)和第3)步,直到,种子点没有移动(我们可以看到图中的第四步上面的种子点聚合了A,B,C,下面的种子点聚合了D,E)。

这个算法很简单,重点说一下“求点群中心的算法”:欧氏距离(Euclidean Distance):差的平方和的平方根

d i j = ∑ k = 1 n ( x i k − x j k ) 2 d_{ij}=\sqrt {\sum _{k=1}^{n}(x_{ik}-x_{jk})^{2}} dij=k=1n(xikxjk)2

K-Means主要最重大的缺陷-都和初始值有关:

K是事先给定的,这个K值的选定是非常难以估计的。很多时候,事先并不知道给定的数据集应该分成多少个类别才最合适。(ISODATA算法通过类的自动合并和分裂,得到较为合理的类型数目K)

K-Means算法需要用初始随机种子点来搞,这个随机种子点太重要,不同的随机种子点会有得到完全不同的结果。(K-Means + + ++ ++ 算法可以用来解决这个问题,其可以有效地选择初始点)

总结:K-Means算法步骤:

1.从数据中选择k个对象作为初始聚类中心;

2.计算每个聚类对象到聚类中心的距离来划分;

3.再次计算每个聚类中心

4.计算标准测度函数,直到达到最大迭代次数,则停止,否则,继续操作。

5.确定最优的聚类中心

K-Means算法应用

看到这里,你会说,K-Means算法看来很简单,而且好像就是在玩坐标点,没什么真实用处。而且,这个算法缺陷很多,还不如人工呢。是的,前面的例子只是玩二维坐标点,的确没什么意思。但是你想一下下面的几个问题:

1)如果不是二维的,是多维的,如5维的,那么,就只能用计算机来计算了。

2)二维坐标点的X,Y坐标,其实是一种向量,是一种数学抽象。现实世界中很多属性是可以抽象成向量的,比如,我们的年龄,我们的喜好,我们的商品,等等,能抽象成向量的目的就是可以让计算机知道某两个属性间的距离。如:我们认为,18岁的人离24岁的人的距离要比离12岁的距离要近,鞋子这个商品离衣服这个商品的距离要比电脑要近,等等。

二、实战

重要参数:

·n_clusters:聚类的个数

重要属性:

·cluster_centers_:[n_clusters,n_features]的数组,表示聚类中心点的坐标

·labels_:每个样本点的标签

1、聚类实例

导包,使用make_blobs生成随机点cluster_std

In [ ]:

1

建立模型,训练数据,并进行数据预测,使用相同数据

In [ ]:1

In [ ]: 1

无监督的情况下进行计算,预测 现在机器学习没有目标

In [ ]:

1

绘制图形,显示聚类结果kmeans.cluster_centers

In [ ]:1

In [ ]: 1

2、实战,三问中国足球几多愁?

导包,3D图像需导包:from mpl_toolkits.mplot3d import Axes3D

读取数据

In [ ]:

1

列名修改为:“国家”,"2006世界杯","2010世界杯”,"2007亚洲杯”

In [ ]:

1

使用K-Means进行数据处理,对亚洲球队进行分组,分三组

In [ ]:

1

for循环打印输出分组后的球队,argwhere()

In [ ]:

1

绘制三维立体图形,,ax = = = plt.subplot(projectio on’3d’) \text {on'3d')} on’3d’)

ax.scatter3D()

In [ ]:

3、聚类实践与常见错误

导包,使用make_blobs创建样本点

In [ ]:

1

第一种错误,k值不合适,make_blobs默认中心点三个

In [ ]:

1

第二种错误,数据偏差

trans = [ [ 0.6 , − 0.6 ] , [ − 0.4 , 0.8 ] ] \text {trans}=[[0.6,-0.6],[-0.4,0.8]] trans=[[0.6,0.6],[0.4,0.8]]

X 2 = np.dot ( X , trans ) X2=\text {np.dot}(X,\text {trans}) X2=np.dot(X,trans)

In [ ]:

1

第三个错误:标准偏差不相同cluster_std

1

In [ ]:

In [ ]:

1

第四个错误:样本数量不同

1

In [ ]:

In [ ]:

1

4、K-Means图片颜色点分类

导包from sklearn.metrics import pairwise_distances_argmin

In [ ]:

1

加载图片/创建模型/训练数据/获取labels

In [ ]:

1

使用pairwise_distances_argmin算法生成随机labels

In [ ]:

1

创造方法,重新合成图片

In [ ]:

1

数据可视化

In [ ]:

1
1

In [ ]:

三、作业

1、分析ex7data2.mat文件

找出最佳聚类数目,并画出聚类的中心点

from scipy.io import loadmat

from sklearn.cluster import KMeans

data = 1 \text {data}=1 data=1 oadmat(‘…/data/ex7data2.mat’)

X = data [ ′ X ′ ] \mathrm {X}=\text {data}\left[{}^{\prime }\mathrm {X}^{\prime }\right] X=data[X]

X.shape

2、图片压缩

使用聚类压缩图片

img = = = plt.imread(‘…/data/bird_small.png’)

img_shape = = = img.shape

img_shape


网站公告

今日签到

点亮在社区的每一天
去签到