參考:
1.機器學習-KMeans聚類 K值以及初始類簇中心點的選取
2.K-Means算法的研究分析及改進
一、K-means算法原理
K-means算法是最常用的一種聚類算法。算法的輸入爲一個樣本集(或者稱爲點集),通過該算法可以將樣本進行聚類,具有相似特徵的樣本聚爲一類。
針對每個點,計算這個點距離所有中心點最近的那個中心點,然後將這個點歸爲這個中心點代表的簇。一次迭代結束之後,針對每個簇類,重新計算中心點,然後針對每個點,重新尋找距離自己最近的中心點。如此循環,直到前後兩次迭代的簇類沒有變化。
下面通過一個簡單的例子,說明K-means算法的過程。如下圖所示,目標是將樣本點聚類成3個類別。
基本的步驟爲:
step1:選定要聚類的類別數目k(如上例的k=3類),選擇k箇中心點。
step2:針對每個樣本點,找到距離其最近的中心點(尋找組織),距離同一中心點最近的點爲一個類,這樣完成了一次聚類。
step3:判斷聚類前後的樣本點的類別情況是否相同,如果相同,則算法終止,否則進入step4。
step4:針對每個類別中的樣本點,計算這些樣本點的中心點,當做該類的新的中心點,繼續step2。
上述步驟的關鍵兩點是:
1. 找到距離自己最近的中心點。
2. 更新中心點。
二、Python實現
下面給出它的Python實現,其中中心點的選取是手動選擇的。在代碼中隨機產生了一個樣本,用於測試K-means算法:
# K-means Algorithm is a clustering algorithm
import numpy as np
import matplotlib.pyplot as plt
import random
def get_distance(p1, p2):
diff = [x-y for x, y in zip(p1, p2)]
distance = np.sqrt(sum(map(lambda x: x**2, diff)))
return distance
# 計算多個點的中心
# cluster = [[1,2,3], [-2,1,2], [9, 0 ,4], [2,10,4]]
def calc_center_point(cluster):
N = len(cluster)
m = np.matrix(cluster).transpose().tolist()
center_point = [sum(x)/N for x in m]
return center_point
# 檢查兩個點是否有差別
def check_center_diff(center, new_center):
n = len(center)
for c, nc in zip(center, new_center):
if c != nc:
return False
return True
# K-means算法的實現
def K_means(points, center_points):
N = len(points) # 樣本個數
n = len(points[0]) # 單個樣本的維度
k = len(center_points) # k值大小
tot = 0
while True: # 迭代
temp_center_points = [] # 記錄中心點
clusters = [] # 記錄聚類的結果
for c in range(0, k):
clusters.append([]) # 初始化
# 針對每個點,尋找距離其最近的中心點(尋找組織)
for i, data in enumerate(points):
distances = []
for center_point in center_points:
distances.append(get_distance(data, center_point))
index = distances.index(min(distances)) # 找到最小的距離的那個中心點的索引,
clusters[index].append(data) # 那麼這個中心點代表的簇,裏面增加一個樣本
tot += 1
print(tot, '次迭代 ', clusters)
k = len(clusters)
colors = ['r.', 'g.', 'b.', 'k.', 'y.'] # 顏色和點的樣式
for i, cluster in enumerate(clusters):
data = np.array(cluster)
data_x = [x[0] for x in data]
data_y = [x[1] for x in data]
plt.subplot(2, 3, tot)
plt.plot(data_x, data_y, colors[i])
plt.axis([0, 1000, 0, 1000])
# 重新計算中心點(該步驟可以與下面判斷中心點是否發生變化這個步驟,調換順序)
for cluster in clusters:
temp_center_points.append(calc_center_point(cluster))
# 在計算中心點的時候,需要將原來的中心點算進去
for j in range(0, k):
if len(clusters[j]) == 0:
temp_center_points[j] = center_points[j]
# 判斷中心點是否發生變化:即,判斷聚類前後樣本的類別是否發生變化
for c, nc in zip(center_points, temp_center_points):
if not check_center_diff(c, nc):
center_points = temp_center_points[:] # 複製一份
break
else: # 如果沒有變化,那麼退出迭代,聚類結束
break
plt.show()
return clusters # 返回聚類的結果
# 隨機獲取一個樣本集,用於測試K-means算法
def get_test_data():
N = 1000
# 產生點的區域
area_1 = [0, N / 4, N / 4, N / 2]
area_2 = [N / 2, 3 * N / 4, 0, N / 4]
area_3 = [N / 4, N / 2, N / 2, 3 * N / 4]
area_4 = [3 * N / 4, N, 3 * N / 4, N]
area_5 = [3 * N / 4, N, N / 4, N / 2]
areas = [area_1, area_2, area_3, area_4, area_5]
k = len(areas)
# 在各個區域內,隨機產生一些點
points = []
for area in areas:
rnd_num_of_points = random.randint(50, 200)
for r in range(0, rnd_num_of_points):
rnd_add = random.randint(0, 100)
rnd_x = random.randint(area[0] + rnd_add, area[1] - rnd_add)
rnd_y = random.randint(area[2], area[3] - rnd_add)
points.append([rnd_x, rnd_y])
# 自定義中心點,目標聚類個數爲5,因此選定5箇中心點
center_points = [[0, 250], [500, 500], [500, 250], [500, 250], [500, 750]]
return points, center_points
if __name__ == '__main__':
points, center_points = get_test_data()
clusters = K_means(points, center_points)
print('#######最終結果##########')
for i, cluster in enumerate(clusters):
print('cluster ', i, ' ', cluster)
由於樣本點是隨機產生的,所以每次運行的結果不相同。6次迭代得到的聚類結果分別如下圖。
控制檯輸出結果爲:
三、初始中心點的選取
初始中心點的選取,對聚類的結果影響較大。可以驗證,不同初始中心點,會導致聚類的效果不同。如何選擇初始中心點呢?一個原則是:
初始中心點之間的間距應該較大。因此,可以採取的策略是:
step1:計算所有樣本點之間的距離,選擇距離最大的一個點對(兩個樣本C1, C2)作爲2個初始中心點,從樣本點集中去掉這兩個點。
step2:如果初始中心點個數達到k個,則終止。如果沒有,在剩餘的樣本點中,選一個點C3,這個點優化的目標是:
這是一個雙目標優化問題,可以約束其中一個,極值化另外一個,這樣可以選擇一個合適的C3點,作爲第3個初始中心點。
如果要尋找第4個初始中心點,思路和尋找第3個初始中心點是相同的。
四、誤差平方和(Sum of Squared Error)
誤差平法和,SSE,用於評價聚類的結果的好壞,SSE的定義如下。
一般情況下,k越大,SSE越小。假設k=N=樣本個數,那麼每個點自成一類,那麼每個類的中心點爲這個類中的唯一一個點本身,那麼SSE=0。
五、k值得確定
一般k不會很大,大概在2~10之間,因此可以作出這個範圍內的SSE-k的曲線,再選擇一個拐點,作爲合適的k值。
可以看到,k=5之後,SSE下降的變得很緩慢了,因此最佳的k值爲5。