一、 K-均值聚類算法
聚類是一種無監督學習,它將相似的對象歸到同一個簇中。簇內對象越相似,聚類效果越好。K-Means算法就是其中的一種聚類算法。其實現代碼如下:
#1.KMeans均值聚類算法
#2.僞代碼
"""
創建k個點作爲起始質心(隨機選擇)
當任意一個點的簇分配結果發生改變時
對數據中的每個數據點
對每個質心
計算質心與數據點之間的距離
將數據點分配到距其最近的簇
對每一個簇,計算簇中所有點的均值並將均值作爲質心
"""
def KMeans(dataSet,k,distMeas=disEclud,createCent=randCent):
"""
:param dataSet: 數據集
:param k: 質心數目
:param distMeas: 計算歐式距離函數
:param createCent: 創建隨機質心函數
:return:
"""
m=shape(dataSet)[0]
clusterAssment=mat(zeros((m,2))) #創建矩陣來存儲每個點的簇分配結果,第一列爲簇的索引值,第二例爲誤差
centroids=createCent(dataSet,k)
clusterChanged=True
while clusterChanged:
clusterChanged=False
for i in range(m):
minDist=inf;
minIndex=-1
for j in range(k):
disJI=distMeas(centroids[j,:],dataSet[i,:]) #尋找質心,通過對每個點遍歷所有質心並計算點到每個質心的距離來完成
if disJI<minDist:
minDist=disJI
minIndex=j
if clusterAssment[i,0]!=minIndex: #如果任一點的簇分配結果發生改變,則更新標誌位
clusterChanged=True
clusterAssment[i,:]=minIndex,minDist**2
print(centroids)
for cent in range(k): #遍歷所有質心,並更新他們的取值
ptsInClus=dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]
centroids[cent,:]=mean(ptsInClus,axis=0)
return centroids,clusterAssment
K-均值算法收斂但聚類效果較差的原因是:K-均值算法收斂到了局部最小,而非全局最小。
二、 二分K-均值聚類算法
爲了克服K-均值算法收斂於局部最小,可以使用二分K-均值算法。該算法首先將所有點作爲一個簇,然後將該簇一分爲二,之後選擇其中的一個簇繼續進行劃分,選擇哪一簇劃分取決於對其劃分是否可以最大程度降低SSE(誤差平方和)的值。上述過程基於SSE劃分過程不斷重複,直到得到用戶指定的簇數目位置。實現代碼如下:
#1.二分KMeans算法
#2.僞代碼
"""
將所有點看成一個簇
當簇的數目小於k時
對於每一個簇
計算總誤差
在給定的簇上面進行KMeans聚類(k=2)
計算將該簇一分爲二之後的總誤差
選擇使得誤差最小的那個簇進行劃分操作
"""
def biKMeans(dataSet,k,distMeas=disEclud):
m=shape(dataSet)[0]
clusterAssment=mat(zeros((m,2))) #創建矩陣用於保存分配結果以及平方誤差
centroid0=mean(dataSet,axis=0).tolist()[0] #將所有點看成一個簇,求得其平均值的中心
centList=[centroid0] #中心值列表,最開始只有一個簇,所以只有一箇中心
for j in range(m):
clusterAssment[j,1]=distMeas(mat(centroid0),dataSet[j,:])**2 #求得一個簇時,循環求得所有點到中心點的誤差,並放入矩陣中
while(len(centList)<k): #判斷是否分到想要的簇數
lowestSSE=inf #初始最小誤差平方和SSE爲正無窮
for i in range(len(centList)): #循環每個簇
ptsInCurrCluster=dataSet[nonzero(clusterAssment[:,0].A==i)[0],:] #分類結果等於i數據集的提取出來
centroidMat,splitClustAss=KMeans(ptsInCurrCluster,2,distMeas) #使用KMeans進行二分類
sseSplit=sum(splitClustAss[:,1]) #分類之後的總誤差
sseNotSplit=sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1])#分類之前不等於i的分類結果的總誤差
print("sseSplit,and notSplit:",sseSplit,sseNotSplit)
if(sseSplit+sseNotSplit)<lowestSSE: #分類之後的總誤差+分類之前的總誤差小於最小誤差
bestCentToSplit=i #分類i
bestNewCents=centroidMat #新分類點的中心座標
bestClusAss=splitClustAss.copy() #分類之後的結果以及平方誤差
bestClustSSE=sseNotSplit+sseSplit #分類之後的平方誤差
#更新簇的分配結果
bestClusAss[nonzero(bestClusAss[:,0].A==1)[0],0]=len(centList)
bestClusAss[nonzero(bestClusAss[:,0].A==0)[0],0]=bestCentToSplit
print("the bestCentToSplit is:",bestCentToSplit)
print("the len of bestClustAss is :",len(bestClusAss))
centList[bestCentToSplit]=bestNewCents[0,:] #將新分配的座標中心替換
centList.append(bestNewCents[1,:]) #將第二個座標中心加入cenList中
clusterAssment[nonzero(clusterAssment[:,0].A==bestCentToSplit)[0],:]=bestClusAss
return centList,clusterAssment
三、 完整的實現代碼
"""
1.機器學習-KMeans
2.姓名:pcb
3.日期:2019.01.14
"""
from numpy import *
import matplotlib.pyplot as plt
#加載數據
def loadDataSet(filename):
dataMat=[]
fr=open(filename)
for line in fr.readlines():
curLine=line.strip().split('\t')
#fltLine=map(float,currLine)
fltLine = []
for i in curLine:
fltLine.append(float(i))
dataMat.append(fltLine)
return dataMat
#計算兩個向量的歐式距離
def disEclud(vecA,vecB):
return sqrt(sum(power(vecA-vecB,2)))
#給定數據集,構建一個包含k個隨機質心的集合
def randCent(dataSet,k):
n=shape(dataSet)[1]
centroids=mat(zeros((k,n)))
for j in range(n):
minJ=min(dataSet[:,j])
rangeJ=float(max(dataSet[:,j])-minJ)
centroids[:,j]=minJ+rangeJ*random.rand(k,1)
return centroids
#1.KMeans均值聚類算法
#2.僞代碼
"""
創建k個點作爲起始質心(隨機選擇)
當任意一個點的簇分配結果發生改變時
對數據中的每個數據點
對每個質心
計算質心與數據點之間的距離
將數據點分配到距其最近的簇
對每一個簇,計算簇中所有點的均值並將均值作爲質心
"""
def KMeans(dataSet,k,distMeas=disEclud,createCent=randCent):
"""
:param dataSet: 數據集
:param k: 質心數目
:param distMeas: 計算歐式距離函數
:param createCent: 創建隨機質心函數
:return:
"""
m=shape(dataSet)[0]
clusterAssment=mat(zeros((m,2))) #創建矩陣來存儲每個點的簇分配結果,第一列爲簇的索引值,第二例爲誤差
centroids=createCent(dataSet,k)
clusterChanged=True
while clusterChanged:
clusterChanged=False
for i in range(m):
minDist=inf;
minIndex=-1
for j in range(k):
disJI=distMeas(centroids[j,:],dataSet[i,:]) #尋找質心,通過對每個點遍歷所有質心並計算點到每個質心的距離來完成
if disJI<minDist:
minDist=disJI
minIndex=j
if clusterAssment[i,0]!=minIndex: #如果任一點的簇分配結果發生改變,則更新標誌位
clusterChanged=True
clusterAssment[i,:]=minIndex,minDist**2
print(centroids)
for cent in range(k): #遍歷所有質心,並更新他們的取值
ptsInClus=dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]
centroids[cent,:]=mean(ptsInClus,axis=0)
return centroids,clusterAssment
#1.二分KMeans算法
#2.僞代碼
"""
將所有點看成一個簇
當簇的數目小於k時
對於每一個簇
計算總誤差
在給定的簇上面進行KMeans聚類(k=2)
計算將該簇一分爲二之後的總誤差
選擇使得誤差最小的那個簇進行劃分操作
"""
def biKMeans(dataSet,k,distMeas=disEclud):
m=shape(dataSet)[0]
clusterAssment=mat(zeros((m,2))) #創建矩陣用於保存分配結果以及平方誤差
centroid0=mean(dataSet,axis=0).tolist()[0] #將所有點看成一個簇,求得其平均值的中心
centList=[centroid0] #中心值列表,最開始只有一個簇,所以只有一箇中心
for j in range(m):
clusterAssment[j,1]=distMeas(mat(centroid0),dataSet[j,:])**2 #求得一個簇時,循環求得所有點到中心點的誤差,並放入矩陣中
while(len(centList)<k): #判斷是否分到想要的簇數
lowestSSE=inf #初始最小誤差平方和SSE爲正無窮
for i in range(len(centList)): #循環每個簇
ptsInCurrCluster=dataSet[nonzero(clusterAssment[:,0].A==i)[0],:] #分類結果等於i數據集的提取出來
centroidMat,splitClustAss=KMeans(ptsInCurrCluster,2,distMeas) #使用KMeans進行二分類
sseSplit=sum(splitClustAss[:,1]) #分類之後的總誤差
sseNotSplit=sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1])#分類之前不等於i的分類結果的總誤差
print("sseSplit,and notSplit:",sseSplit,sseNotSplit)
if(sseSplit+sseNotSplit)<lowestSSE: #分類之後的總誤差+分類之前的總誤差小於最小誤差
bestCentToSplit=i #分類i
bestNewCents=centroidMat #新分類點的中心座標
bestClusAss=splitClustAss.copy() #分類之後的結果以及平方誤差
bestClustSSE=sseNotSplit+sseSplit #分類之後的平方誤差
#更新簇的分配結果
bestClusAss[nonzero(bestClusAss[:,0].A==1)[0],0]=len(centList)
bestClusAss[nonzero(bestClusAss[:,0].A==0)[0],0]=bestCentToSplit
print("the bestCentToSplit is:",bestCentToSplit)
print("the len of bestClustAss is :",len(bestClusAss))
centList[bestCentToSplit]=bestNewCents[0,:] #將新分配的座標中心替換
centList.append(bestNewCents[1,:]) #將第二個座標中心加入cenList中
clusterAssment[nonzero(clusterAssment[:,0].A==bestCentToSplit)[0],:]=bestClusAss
return centList,clusterAssment
def main():
# #1.--------KMeans----------------------------------
# dataMat=mat(loadDataSet('testSet.txt'))
# myCentroids,clustAssing=KMeans(dataMat,4)
# #--------------------------------------------------
#2----------二分KMeans算法---------------------------
dataMat3=mat(loadDataSet('testSet3.txt'))
centList,myNewAssments=biKMeans(dataMat3,3)
print (centList)
#---------------------------------------------------
if __name__=='__main__':
main()