K均值算法(K-means)聚類
【關鍵詞】K個種子,均值
一、K-means算法原理
聚類的概念:一種無監督的學習,事先不知道類別,自動將相似的對象歸到同一個簇中。
K-Means算法是一種聚類分析(cluster analysis)的算法,其主要是來計算數據聚集的算法,主要通過不斷地取離種子點最近均值的算法。
K-Means算法主要解決的問題如下圖所示。我們可以看到,在圖的左邊有一些點,我們用肉眼可以看出來有四個點羣,但是我們怎麼通過計算機程序找出這幾個點羣來呢?於是就出現了我們的K-Means算法
這個算法其實很簡單,如下圖所示:
從上圖中,我們可以看到,A,B,C,D,E是五個在圖中點。而灰色的點是我們的種子點,也就是我們用來找點羣的點。有兩個種子點,所以K=2。
然後,K-Means的算法如下:
- 隨機在圖中取K(這裏K=2)個種子點。
- 然後對圖中的所有點求到這K個種子點的距離,假如點Pi離種子點Si最近,那麼Pi屬於Si點羣。(上圖中,我們可以看到A,B屬於上面的種子點,C,D,E屬於下面中部的種子點)
- 接下來,我們要移動種子點到屬於他的“點羣”的中心。(見圖上的第三步)
- 然後重複第2)和第3)步,直到,種子點沒有移動(我們可以看到圖中的第四步上面的種子點聚合了A,B,C,下面的種子點聚合了D,E)。
這個算法很簡單,重點說一下“求點羣中心的算法”:歐氏距離(Euclidean Distance):差的平方和的平方根
K-Means主要最重大的缺陷——都和初始值有關:
K是事先給定的,這個K值的選定是非常難以估計的。很多時候,事先並不知道給定的數據集應該分成多少個類別才最合適。(ISODATA算法通過類的自動合併和分裂,得到較爲合理的類型數目K)
K-Means算法需要用初始隨機種子點來搞,這個隨機種子點太重要,不同的隨機種子點會有得到完全不同的結果。(K-Means++算法可以用來解決這個問題,其可以有效地選擇初始點)
總結:K-Means算法步驟:
- 從數據中選擇k個對象作爲初始聚類中心;
- 計算每個聚類對象到聚類中心的距離來劃分;
- 再次計算每個聚類中心
- 計算標準測度函數,直到達到最大迭代次數,則停止,否則,繼續操作。
- 確定最優的聚類中心
K-Means算法應用
看到這裏,你會說,K-Means算法看來很簡單,而且好像就是在玩座標點,沒什麼真實用處。而且,這個算法缺陷很多,還不如人工呢。是的,前面的例子只是玩二維座標點,的確沒什麼意思。但是你想一下下面的幾個問題:
1)如果不是二維的,是多維的,如5維的,那麼,就只能用計算機來計算了。
2)二維座標點的X,Y 座標,其實是一種向量,是一種數學抽象。現實世界中很多屬性是可以抽象成向量的,比如,我們的年齡,我們的喜好,我們的商品,等等,能抽象成向量的目的就是可以讓計算機知道某兩個屬性間的距離。如:我們認爲,18歲的人離24歲的人的距離要比離12歲的距離要近,鞋子這個商品離衣服這個商品的距離要比電腦要近,等等。
二、實戰
重要參數:
- n_clusters:聚類的個數
重要屬性:
- clustercenters : [n_clusters, n_features]的數組,表示聚類中心點的座標
- labels_ : 每個樣本點的標籤
1、聚類實例
導包,使用make_blobs生成隨機點cluster_std
from sklearn.cluster import KMeans
import numpy as np
import sklearn.datasets as datasets
import matplotlib.pyplot as plt
%matplotlib inline
數據集
X,y = datasets.make_blobs()
display(X.shape,y.shape)
Out:
(100, 2)
(100,)
plt.scatter(X[:,0],X[:,1],c = y)
建立模型,訓練數據,並進行數據預測,使用相同數據:
KMeans的原理較爲簡單:以某種相似性度量爲標準,確定樣本的結構,即樣本屬於哪一個簇取決於該樣本與哪一個簇的中心點最相似。
K-Means類主要參數 :
- 1) n_clusters: 即k值,一般需要多試一些值以獲得較好的聚類效果。k值好壞的評估標準在下面會講。
- 2)max_iter: 最大的迭代次數,一般如果是凸數據集的話可以不管這個值,如果數據集不是凸的,可能很難收斂,此時可以指定最大的迭代次數讓算法可以及時退出循環。
- 3)n_init:用不同的初始化質心運行算法的次數。由於K-Means是結果受初始值影響的局部最優的迭代算法,因此需要多跑幾次以選擇一個較好的聚類效果,默認是10,一般不需要改。如果你的k值較大,則可以適當增大這個值。
- 4)init: 即初始值選擇的方式,可以爲完全隨機選擇’random’,優化過的’k-means++’或者自己指定初始化的k個質心。一般建議使用默認的’k-means++’。
- 5)algorithm:有“auto”, “full” or “elkan”三種選擇。”full”就是我們傳統的K-Means算法, “elkan”是(機器學習(25)之K-Means聚類算法詳解)原理篇講的elkan K-Means算法。默認的”auto”則會根據數據值是否是稀疏的,來決定如何選擇”full”和“elkan”。一般數據是稠密的,那麼就是 “elkan”,否則就是”full”。一般來說建議直接用默認的”auto”
'''KMeans(n_clusters=8, init='k-means++', n_init=10, max_iter=300, tol=0.0001,
precompute_distances='auto', verbose=0, random_state=None, copy_x=True, n_jobs=1,
algorithm='auto') '''
kmeans = KMeans(n_clusters=3)
# 無監督學習
kmeans.fit(X)
Out:
KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
n_clusters=3, n_init=10, n_jobs=1, precompute_distances='auto',
random_state=None, tol=0.0001, verbose=0)
y_ = kmeans.predict(X)
y_
Out:
array([2, 1, 1, 2, 0, 2, 0, 2, 2, 1, 1, 0, 2, 1, 1, 0, 0, 2, 0, 2, 0, 0,
0, 1, 2, 0, 0, 2, 2, 0, 1, 0, 0, 0, 1, 2, 0, 0, 2, 2, 1, 1, 0, 1,
2, 0, 1, 1, 1, 1, 0, 0, 2, 1, 2, 2, 0, 1, 0, 2, 1, 2, 1, 0, 0, 1,
2, 1, 2, 1, 1, 2, 0, 1, 0, 0, 2, 1, 0, 0, 2, 0, 1, 1, 2, 2, 1, 1,
1, 2, 2, 2, 1, 2, 0, 0, 2, 1, 0, 2])
無監督的情況下進行計算,預測 現在機器學習沒有目標
繪製圖形,顯示聚類結果kmeans.cluster_centers
2、 實戰,三問中國足球幾多愁?
導包
import pandas as pd
數據集
X = pd.read_csv('../data/AsiaZoo.txt',header=None)
X
導包,3D圖像需導包:from mpl_toolkits.mplot3d import Axes3D
讀取數據
列名修改爲:"國家","2006世界盃","2010世界盃","2007亞洲盃"
X.columns = ["國家","2006世界盃","2010世界盃","2007亞洲盃"]
X
使用K-Means進行數據處理,對亞洲球隊進行分組,分三組
kmeans = KMeans(3)
kmeans.fit(X.iloc[:,1:])
Out:
KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
n_clusters=3, n_init=10, n_jobs=1, precompute_distances='auto',
random_state=None, tol=0.0001, verbose=0)
y_ = kmeans.predict(X.iloc[:,1:])
y_
Out:
array([0, 1, 1, 2, 2, 0, 0, 0, 2, 0, 0, 0, 2, 2, 0])
X['國家']
Out:
0 中國
1 日本
2 韓國
3 伊朗
4 沙特
5 伊拉克
6 卡塔爾
7 阿聯酋
8 烏茲別克斯坦
9 泰國
10 越南
11 阿曼
12 巴林
13 朝鮮
14 印尼
Name: 國家, dtype: object
for循環打印輸出分組後的球隊,argwhere()
np.argwhere(y_ == 1)
Out:
array([[1],
[2]], dtype=int64)
for i in range(3):
index = np.argwhere(y_ == i).reshape(-1)
print(X['國家'][index].values)
print('---------------------------------------------')
['中國' '伊拉克' '卡塔爾' '阿聯酋' '泰國' '越南' '阿曼' '印尼']
---------------------------------------------
['日本' '韓國']
---------------------------------------------
['伊朗' '沙特' '烏茲別克斯坦' '巴林' '朝鮮']
---------------------------------------------
繪製三維立體圖形,ax = plt.subplot(projection = '3d')
ax.scatter3D()
略……
3、聚類實踐與常見錯誤
第一種錯誤:k值不合適,make_blobs默認中心點三個
第二種錯誤:數據偏差
trans = [[0.6,-0.6],[-0.4,0.8]]
X2 = np.dot(X,trans)
trans = [[0.6,-0.6],[-0.4,0.8]]
X2 = np.dot(X,trans)
X2.shape
Out:(100, 2)
# y.shape=(100,)
plt.scatter(X2[:,0],X2[:,1],c = y)
kmeans = KMeans(3)
kmeans.fit(X2)
y_ = kmeans.predict(X2)
plt.scatter(X2[:,0],X2[:,1],c = y_)
X2 = X點乘trans
X2點乘trans逆矩陣
X3 = np.dot(X2,np.linalg.inv(trans))
plt.scatter(X3[:,0],X3[:,1],c = y)
第三個錯誤:標準偏差不相同cluster_std
X,y = datasets.make_blobs(cluster_std=[1.0,1.0,8])
plt.scatter(X[:,0],X[:,1],c = y)
kmeans = KMeans(3)
kmeans.fit(X)
y_ = kmeans.predict(X)
plt.scatter(X[:,0],X[:,1],c = y_)
第四個錯誤:樣本數量不同
X,y = datasets.make_blobs(n_samples=300,cluster_std=3)
plt.scatter(X[:,0],X[:,1],c = y)
index_0 = np.argwhere(y == 0).reshape(-1)
index_0
Out:
array([ 4, 5, 9, 11, 12, 13, 16, 18, 20, 22, 23, 24, 25,
29, 33, 34, 40, 41, 44, 48, 52, 55, 58, 63, 65, 67,
68, 72, 73, 74, 75, 79, 80, 85, 87, 88, 94, 102, 105,
113, 118, 130, 134, 136, 138, 140, 143, 150, 151, 152, 154, 166,
171, 173, 175, 176, 178, 179, 180, 185, 192, 201, 203, 206, 207,
208, 212, 213, 215, 219, 222, 225, 226, 230, 231, 233, 234, 236,
237, 244, 248, 250, 251, 254, 257, 261, 262, 264, 265, 270, 277,
279, 280, 283, 286, 287, 289, 297, 298, 299], dtype=int64)
index_1 = np.argwhere(y == 1).reshape(-1)[:20]
index_1
Out:
array([ 0, 1, 7, 10, 15, 27, 28, 36, 38, 42, 45, 47, 54, 61, 62, 78, 82,
83, 86, 89], dtype=int64)
index_2 = np.argwhere(y ==2).reshape(-1)[:10]
index_2
Out:
array([ 2, 3, 6, 8, 14, 17, 19, 21, 26, 30], dtype=int64)
index = np.concatenate([index_0,index_1,index_2])
X = X[index]
y = y[index]
plt.scatter(X[:,0],X[:,1],c = y)
kmeans = KMeans(3)
kmeans.fit(X)
y_ = kmeans.predict(X)
plt.scatter(X[:,0],X[:,1],c = y_)
4、K-Means圖片顏色點分類
導包from sklearn.metrics import pairwise_distances_argmin
from scipy import ndimage
壓縮:ndimage.zoom
# ndimage.zoom(input, zoom, output=None, order=3, mode='constant', cval=0.0, prefilter=True)
china_new2 = ndimage.zoom(china_new,zoom = [427/1500,640/1500,1])
plt.imshow(china_new2)
2、圖片壓縮
使用聚類壓縮圖片
img = plt.imread('../data/bird_small.png') img_shape = img.shape img_shape
bird = plt.imread('../data/bird_small.png')
bird.shape
Out:(128,128,3)
'''128*128=16384'''
bird.reshape(-1,3)
Out:
array([[0.85882354, 0.7058824 , 0.40392157],
[0.9019608 , 0.7254902 , 0.45490196],
[0.8862745 , 0.7294118 , 0.43137255],
...,
[0.25490198, 0.16862746, 0.15294118],
[0.22745098, 0.14509805, 0.14901961],
[0.20392157, 0.15294118, 0.13333334]], dtype=float32)
plt.imshow(bird)
from pandas import Series,DataFrame
df = DataFrame(bird.reshape(-1,3))
df
'''df[0].shape =(16384,) '''
df.drop_duplicates().shape
Out :
(13930, 3)
'''16384個像素值,包含13930個不同的顏色'''
kmeans
kmeans = KMeans(n_clusters=4)
# 16384顏色
kmeans.fit(bird.reshape(-1,3))
Out:
KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
n_clusters=4, n_init=10, n_jobs=1, precompute_distances='auto',
random_state=None, tol=0.0001, verbose=0)
預測
y_ = kmeans.predict(bird.reshape(-1,3))
y_
Out:
array([0, 0, 0, ..., 1, 1, 1])
y_.shape
Out:(16384,)
y_.max()
Out: 3
聚類中心點代表着顏色
# 聚類中心點代表着顏色
cluster_centers_ = kmeans.cluster_centers_
cluster_centers_
Out:
array([[0.7932539 , 0.63968104, 0.42075178],
[0.12838763, 0.13014919, 0.12066123],
[0.48904994, 0.40076178, 0.3222613 ],
[0.9130492 , 0.86011744, 0.74095654]], dtype=float32)
cluster_centers_[0]
Out:array([0.7932539 , 0.63968104, 0.42075178], dtype=float32)
cluster_centers_[[0,1,2,1,0]]
Out:
array([[0.7932539 , 0.63968104, 0.42075178],
[0.12838763, 0.13014919, 0.12066123],
[0.48904994, 0.40076178, 0.3222613 ],
[0.12838763, 0.13014919, 0.12066123],
[0.7932539 , 0.63968104, 0.42075178]], dtype=float32)
Series(y_).unique()
Out :
array([3, 0, 2, 1], dtype=int64)
bird_new = cluster_centers_[y_]
bird_new.shape
Out:
(16384, 3)
plt.imshow(bird_new.reshape(128,128,3))