机器学习系列(八)K均值(kMeans)
在机器学习中,当我们要处理的数据是无标签的,就是无监督分类问题,如K均值算法。
1 K均值算法2 二分K均值算法3 K-means++
K均值算法是一种聚类算法,自动的将数据组成聚类。该算法采用距离作为数据之间相似性的评价指标,认为两个数据距离越近,相似度越大。 算法步骤: 1) 从数据样本中随机选择K个数据作为聚类的中心(质心),初始化簇。 2) 计算每个数据样本到每个质心的距离,并划分到最近质心所在的类里。 3) 重新计算划分之后的每个类的质心 4) 重复迭代步骤(2)-(3),直到前后两次结果的质心相等或者距离小于给定阈值,结束聚类。 K均值的迭代过程如图,+为质心,经过3次迭代之后数据被分成三类。
度量数据之间距离的方法可以采用欧式距离。假设无标签数据集为X = {x1,x2,…,xn},目标类为k个,C = C1,C2,…,Ck,损失函数为
式中,ui为质心,
优点: 当数据分布是球状密集的,但类之间的区别也比较明显时效果较好,k均值仅限于具有中心(质心)概念的数据。 缺点: 1)K均值算法的初始中心点选择对算法影响较大,随机选择的质心可能导致迭代次数很多或者算法陷入局部最优。 2)在选择质心时k的个数需要基于经验和多次试验进行设置,不同数据k的选择也不一样。 3)K均值算法对噪声比较敏感。 Python代码:
myUtil.py:
# -*- coding:utf-8 -*-
from numpy import *
# 数据文件转矩阵
# path: 数据文件路径
# delimiter: 行内字段分隔符
def file2matrix(path, delimiter):
fp = open(path, "rb") # 读取文件内容
content = fp.read()
fp.close()
rowlist = content.splitlines() # 按行转换为一维表
# 逐行遍历,结果按分隔符分隔为行向量
recordlist = [map(eval, row.split(delimiter)) for row in rowlist if row.strip()]
# 返回转换后的矩阵形式
return mat(recordlist)
# 随机生成聚类中心
def randCenters(dataSet, k):
n = shape(dataSet)[1] # 列数
clustercents = mat(zeros((k, n))) # 初始化聚类中心矩阵:k*n
for col in xrange(n):
mincol = min(dataSet[:, col])
maxcol = max(dataSet[:, col])
# random.rand(k, 1):产生一个0~1之间的随机数向量(k,1表示产生k行1列的随机数)
clustercents[:, col] = mat(mincol + float(maxcol - mincol) * random.rand(k, 1)) # 按列赋值
return clustercents
# 欧式距离计算公式
def distEclud(vecA, vecB):
return linalg.norm(vecA-vecB)
# 绘制散点图
def drawScatter(plt, mydata, size=20, color='blue', mrkr='o'):
plt.scatter(mydata.T[0], mydata.T[1], s=size, c=color, marker=mrkr)
# 以不同颜色绘制数据集里的点
def color_cluster(dataindx, dataSet, plt):
datalen = len(dataindx)
for indx in xrange(datalen):
if int(dataindx[indx]) == 0:
plt.scatter(dataSet[indx, 0], dataSet[indx, 1], c='blue', marker='o')
elif int(dataindx[indx]) == 1:
plt.scatter(dataSet[indx, 0], dataSet[indx, 1], c='green', marker='o')
elif int(dataindx[indx]) == 2:
plt.scatter(dataSet[indx, 0], dataSet[indx, 1], c='red', marker='o')
elif int(dataindx[indx]) == 3:
plt.scatter(dataSet[indx, 0], dataSet[indx, 1], c='cyan', marker='o')
kmeans.py:
from myUtil import *
def kMeans(dataSet, k):
m = shape(dataSet)[0] # 返回矩阵的行数
# 本算法核心数据结构:行数与数据集相同
# 列1:数据集对应的聚类中心,列2:数据集行向量到聚类中心的距离
ClustDist = mat(zeros((m, 2)))
# 随机生成一个数据集的聚类中心:本例为4*2的矩阵
# 确保该聚类中心位于min(dataSet[:,j]),max(dataSet[:,j])之间
clustercents = randCenters(dataSet, k) # 随机生成聚类中心
flag = True # 初始化标志位,迭代开始
counter = [] # 计数器
# 循环迭代直至终止条件为False
# 算法停止的条件:dataSet的所有向量都能找到某个聚类中心,到此中心的距离均小于其他k-1个中心的距离
while flag:
flag = False # 预置标志位为False
# ---- 1. 构建ClustDist: 遍历DataSet数据集,计算DataSet每行与聚类的最小欧式距离 ----#
# 将此结果赋值ClustDist=[minIndex,minDist]
for i in xrange(m):
# 遍历k个聚类中心,获取最短距离
distlist = [distEclud(clustercents[j, :], dataSet[i, :]) for j in range(k)]
minDist = min(distlist)
minIndex = distlist.index(minDist)
if ClustDist[i, 0] != minIndex: # 找到了一个新聚类中心
flag = True # 重置标志位为True,继续迭代
# 将minIndex和minDist**2赋予ClustDist第i行
# 含义是数据集i行对应的聚类中心为minIndex,最短距离为minDist
ClustDist[i, :] = minIndex, minDist
# ---- 2.如果执行到此处,说明还有需要更新clustercents值: 循环变量为cent(0~k-1)----#
# 1.用聚类中心cent切分为ClustDist,返回dataSet的行索引
# 并以此从dataSet中提取对应的行向量构成新的ptsInClust
# 计算分隔后ptsInClust各列的均值,以此更新聚类中心clustercents的各项值
for cent in xrange(k):
# 从ClustDist的第一列中筛选出等于cent值的行下标
dInx = nonzero(ClustDist[:, 0].A == cent)[0]
# 从dataSet中提取行下标==dInx构成一个新数据集
ptsInClust = dataSet[dInx]
# 计算ptsInClust各列的均值: mean(ptsInClust, axis=0):axis=0 按列计算
clustercents[cent, :] = mean(ptsInClust, axis=0)
return clustercents, ClustDist
kmeans_test.py:
# -*- encoding:utf-8 -*-
from kmeans import *
import matplotlib.pyplot as plt
dataMat = file2matrix("testData/4k2_far.txt", "\t") # 从文件构建的数据集
dataSet = dataMat[:, 1:] # 提取数据集中的特征列
k = 4 # 外部指定1,2,3...通过观察数据集有4个聚类中心
clustercents, ClustDist = kMeans(dataSet, k)
# 返回计算完成的聚类中心
print "clustercents:\n", clustercents
# 输出生成的ClustDist:对应的聚类中心(列1),到聚类中心的距离(列2),行与dataSet一一对应
color_cluster(ClustDist[:, 0:1], dataSet, plt)
# 绘制聚类中心
drawScatter(plt, clustercents, size=60, color='red', mrkr='D')
plt.show()
结果如下:
二分k均值(bisecting k-means)算法为解决随机选择质心问题,不太受初始化问题的影响。 算法步骤: 1) 将所有数据作为一个簇,k=2进行基本k均值算法,将数据分为两类。 2) 迭代选择其中的簇进行k=2的基本k均值算法,使得最大程度降低损失函数值。 3) 不断重复步骤(2),直到达到给定的簇数目为止。 二分k均值算法的迭代过程如图,每次都进行k=2的基本k均值算法,经过三次迭代将数据分为四类。
Python代码, 来自Peter Harrington《Machine Learing in Action》 :
# -- coding: utf-8 --
from numpy import *
def loadDataSet(fileName):
# 获取数据集
dataMat = []
fr = open(fileName)
for line in fr.readlines():
curLine = line.strip().split('\t')
fltLine = map(float,curLine)
dataMat.append(fltLine)
return dataMat
def distEclud(vecA, vecB):
# 根据式()计算vecA, vecB两点间的欧氏距离
return sqrt(sum(power(vecA - vecB, 2)))
def randCent(dataSet, k):
# 随机生成k个质心
n = shape(dataSet)[1] # 获取数据集特征数量,即列数
centroids = mat(zeros((k,n))) # 初始化一个k行n列的矩阵,元素为0,用于存储质心
for j in range(n):
minJ = min(dataSet[:,j]) # 获取数据集第j列的最小值
rangeJ = float(max(dataSet[:,j]) - minJ) # 计算数据集第j列中,最大值减最小值的差
# 随机生成k行1列的数组,元素在0到1之间,乘以rangeJ再加上minJ,则可得随机生成的第j列中最小值与最大值之间的一个数
centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1))
return centroids
def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
# kMeans函数接受4个输入参数,数据集及簇的数目为必选参数,计算距离默认为欧氏距离,创建初始质心默认为随机生成
m = shape(dataSet)[0] # 获取数据集数量,即行数
clusterAssment = mat(zeros((m,2))) # 初始化一个m行2列的矩阵,元素为0,第一列存储当前最近质心,第二列存储数据点与质心的距离平方
centroids = createCent(dataSet, k) # 创建k个初始质心
clusterChanged = True
while clusterChanged:
clusterChanged = False
for i in range(m):
# 循环m个数据,寻找距离第i个数据最近的质心
minIndex = -1 # 初始化最近质心
minDist = inf # 初始化第i个数据与最近质心的最小距离为无穷大
for j in range(k):
# 循环k个质心,寻找离第i个数据最近的质心
distJI = distMeas(centroids[j,:],dataSet[i,:]) #计算第i行数据与第j个质点的欧氏距离
if distJI < minDist:
minIndex = j # 更新最近质心为第j个
minDist = distJI # 更新第i个数据与最近的质心的最小距离
if clusterAssment[i,0] != minIndex: clusterChanged = True # 若其中clusterAssment存储的质心与此次结果不一样,则需迭代,直至没有质心的改变
clusterAssment[i,:] = minIndex,minDist**2 # 更新clusterAssment数据
for cent in range(k):
ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]] # 获取属于第cent个质心的所有数据
centroids[cent,:] = mean(ptsInClust, axis=0) # 计算属于第cent个质心的所有数据各列的平均值,更新第cent个质心
return centroids, clusterAssment # centroids为当前k个质心,clusterAssment为各个数据所属质心及距离该质心的距离平方
def biKmeans(dataSet, k, distMeas=distEclud):
# biKmeans函数接受3个输入参数,数据集及簇的数目为必选参数,计算距离默认为欧氏距离
m = shape(dataSet)[0] # 获取数据集数量,即行数
clusterAssment = mat(zeros((m,2))) # 初始化一个m行2列的矩阵,元素为0,第一列存储当前最近质心,第二列存储数据点与质心的距离平方
centroid0 = mean(dataSet, axis=0).tolist()[0] # 将所有点作为一个簇,计算数据集各列的平均值,作为初始簇的质心
centList = [centroid0] # centList存储各个质心
for j in range(m):
clusterAssment[j,1] = distMeas(mat(centroid0), dataSet[j,:])**2 # 计算初始质心与各数据的距离平方
while (len(centList) < k):
# 未达到指定簇的数目,则继续迭代
lowestSSE = inf
for i in range(len(centList)):
# 循环簇的个数,寻找使SSE下降最快的簇的划分
ptsInCurrCluster = dataSet[nonzero(clusterAssment[:,0].A==i)[0],:] # 获取属于第i个质心的所有数据
centroidMat, splitClustAss = kMeans(ptsInCurrCluster, 2, distMeas) # 将第i个簇二分为2个簇
sseSplit = sum(splitClustAss[:,1]) # 计算第i个簇二分为2个簇后的SSE值
sseNotSplit = sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1]) # 计算剩余数据的SSE值
if (sseSplit + sseNotSplit) < lowestSSE:
# 若二分后总体SSE值下降,则更新簇的信息
bestCentToSplit = i
bestNewCents = centroidMat # 第i个簇二分后的质心
bestClustAss = splitClustAss.copy()# 第i个簇二分后的结果
lowestSSE = sseSplit + sseNotSplit # 更新当前SSE值
bestClustAss[nonzero(bestClustAss[:,0].A == 1)[0],0] = len(centList) # 更新簇的分配结果,将二分后第二个簇分配到新簇
bestClustAss[nonzero(bestClustAss[:,0].A == 0)[0],0] = bestCentToSplit # 更新簇的分配结果,将二分后第一个簇分配到被划分簇
centList[bestCentToSplit] = bestNewCents[0,:].tolist()[0] # 更新簇的分配结果,更新未划分簇质心为二分后第一个簇的质心
centList.append(bestNewCents[1,:].tolist()[0]) # 更新簇的分配结果,添加新质心为二分后第二个簇的质心
clusterAssment[nonzero(clusterAssment[:,0].A == bestCentToSplit)[0],:]= bestClustAss # 将被划分簇数据更新为划分后簇
return mat(centList), clusterAssment
K-means++也改进了K-means算法初始中心点的选取,初始簇中心之间的距离应该越大越好。
算法步骤: 1) 在数据样本中随机选择一个数据作为第一个簇的质心C1 2) 计算其余数据样本与簇中心的最短距离令
,某样本点被选为下一个簇中心的概率为
概率越大,被选做新聚类中心的概率越大。 3) 重复步骤(2)直到达到给定的k个类。 当然K均值算法也可以处理带标签的数据,即学习矢量量化(Learning Vector Quantization)算法,这里就不展开了。 参考: https://blog.csdn.net/eeeee123456/article/details/80176102 https://www.jianshu.com/p/e4d5a0fbcefe