阿里面試時候被問到簡單介紹一下k-means算法,以及循環迭代的終止條件是什麼?特此記錄,共勉!
介紹
k均值聚類算法(k-means clustering algorithm)是一種迭代求解的聚類分析算法。
聚類步驟
1、預將數據分爲K組,則隨機選取K個對象作爲初始的聚類中心;
2、然後計算每個對象與各個種子聚類中心之間的距離,把每個對象分配給距離它最近的聚類中心。
3、聚類中心以及分配給它們的對象就代表一個聚類。每分配一個樣本,聚類的聚類中心會根據聚類中現有的對象被重新計算。這個過程將不斷重複直到滿足某個終止條件。
終止條件
1、可以是沒有(或最小數目)對象被重新分配給不同的聚類
2、沒有(或最小數目)聚類中心再發生變化
3、誤差平方和局部最小。
僞代碼
1、選擇k個點作爲初始質心。
2、repeat 將每個點指派到最近的質心,形成k個簇 重新計算每個簇的質心 until 質心不發生變化。
K值的選擇主要還是根據經驗以及利用k-means聚類的目的來決定。
Python實現
import numpy as np
import matplotlib.pyplot as plt
# 加載數據
def loadDataSet(fileName):
data = np.loadtxt(fileName,delimiter='\t')
return data
# 歐氏距離計算
def distEclud(x,y):
return np.sqrt(np.sum((x-y)**2)) # 計算歐氏距離
# 爲給定數據集構建一個包含K個隨機質心的集合
def randCent(dataSet,k):
m,n = dataSet.shape
centroids = np.zeros((k,n))
for i in range(k):
index = int(np.random.uniform(0,m)) #
centroids[i,:] = dataSet[index,:]
return centroids
# k均值聚類
def KMeans(dataSet,k):
m = np.shape(dataSet)[0] #行的數目
# 第一列存樣本屬於哪一簇
# 第二列存樣本的到簇的中心點的誤差
clusterAssment = np.mat(np.zeros((m,2)))
clusterChange = True
# 第1步 初始化centroids
centroids = randCent(dataSet,k)
while clusterChange:
clusterChange = False
# 遍歷所有的樣本(行數)
for i in range(m):
minDist = 100000.0
minIndex = -1
# 遍歷所有的質心
#第2步 找出最近的質心
for j in range(k):
# 計算該樣本到質心的歐式距離
distance = distEclud(centroids[j,:],dataSet[i,:])
if distance < minDist:
minDist = distance
minIndex = j
# 第 3 步:更新每一行樣本所屬的簇
if clusterAssment[i,0] != minIndex:
clusterChange = True
clusterAssment[i,:] = minIndex,minDist**2
#第 4 步:更新質心
for j in range(k):
pointsInCluster = dataSet[np.nonzero(clusterAssment[:,0].A == j)[0]] # 獲取簇類所有的點
centroids[j,:] = np.mean(pointsInCluster,axis=0) # 對矩陣的行求均值
print("Congratulations,cluster complete!")
return centroids,clusterAssment
def showCluster(dataSet,k,centroids,clusterAssment):
m,n = dataSet.shape
if n != 2:
print("數據不是二維的")
return 1
mark = ['or', 'ob', 'og', 'ok', '^r', '+r', 'sr', 'dr', '<r', 'pr']
if k > len(mark):
print("k值太大了")
return 1
# 繪製所有的樣本
for i in range(m):
markIndex = int(clusterAssment[i,0])
plt.plot(dataSet[i,0],dataSet[i,1],mark[markIndex])
mark = ['Dr', 'Db', 'Dg', 'Dk', '^b', '+b', 'sb', 'db', '<b', 'pb']
# 繪製質心
for i in range(k):
plt.plot(centroids[i,0],centroids[i,1],mark[i])
plt.show()
dataSet = loadDataSet("test.txt")
k = 4
centroids,clusterAssment = KMeans(dataSet,k)
showCluster(dataSet,k,centroids,clusterAssment)