理解聚類:
本質:
1. K-Means做聚類
理解k-Means過程
例:對下圖做聚類
先隨機生成k箇中心點,如下圖,k=3
然後給定一個初始化分
計算每個cluster的x,y的均值,使得每個cluster都產生一個均值中心點。
然後根據距離調整劃分情況,如下圖,上圖中的三角形離中心五角星更近,所以把它劃分成五角星,
新加入一個五角星後,中心自然會再次向新加入的方向移動一點,中心移動後,可能又會加入新的,因爲可能又會有三角形離五角星的中心比三角形的中心更近,如下圖,又有兩個
新的兩個三角形加入後,中心又會調整…一直迭代,直至中心點不再變化或者沒有新的點加入,
上述例子的流程就是K-Means
流程
上圖中的第二個公式我們也可以看的出來,求加和再除以個數,就是求中心點的;第一個公式是算點與每個中心點的最小距離,所以它是用來分類的。
缺點
K-Means開始會隨機生成k箇中心點,完一隨機生成的中心點距離特別近
2. 其他做聚類的方法
例:第一步:隨機第一個中心點k,
第二步:算每個樣本到k的距離,假設又A,B,C三個樣本到k的距離分別爲5,4,1;把距離算出概率,把概率作爲座標軸,則0~50是A的50%的概率,50~90是B的40%,90~100是C的10%
第三步:隨機一個0~100的數,如果這個數在0~50之間,則選A作爲另一箇中心點,如果在50~90之間,則中心點爲B,如果在90~100之間,則中心點爲C
解決了k-means的k箇中心點隨機情況,k-means++使得初始的k箇中心點分佈均勻些
3. 選擇適當的聚類數 k
上圖中的橫座標是k,縱座標是Error
Error=每一個類的MSE加和,每一個類的MSE=每個樣本和中心點的距離平方加和
如上圖箭頭所指的地方,也就是拐點處就是我們要的k最適當的地方。
原因:
距離A=上一次的Error(縱座標) - 這一次的Error(縱座標)
距離B= 這一次的 - 下一次的,
而拐點處就是距離A-距離B最大的地方
說白了,就是找到一個點,這個點之後不管k怎麼增加,對Error的影響都不是那麼明顯
4. 代碼實現
# -*- coding:utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt
import sklearn.datasets as ds
import matplotlib.colors
from matplotlib import font_manager
from sklearn.cluster import KMeans
from sklearn.cluster import MiniBatchKMeans
def expand(a, b):
d = (b - a) * 0.1
return a-d, b+d
if __name__ == "__main__":
N = 400
centers = 4
# 創建聚類的模擬數據400條,兩個特徵,4個k,有y的原因是對比我們評估的效果
data, y = ds.make_blobs(N, n_features=2, centers=centers, random_state=2)
# 與上面不同的是方差,方差越大,數據點越分散,方差越小,數據越密集,四個類的數據密集程度不一樣
data2, y2 = ds.make_blobs(N, n_features=2, centers=centers, cluster_std=(1, 2.5, 0.5, 2), random_state=2)
# 也是生成四個類別的數據,第一個類別取data第一個類別的全部,第二個類別取data第二個類別前50條數據,第三個類別取data第三個類別前20條,第四個類別取data第四個類別前5條
data3 = np.vstack((data[y == 0][:], data[y == 1][:50], data[y == 2][:20], data[y == 3][:5]))
y3 = np.array([0] * 100 + [1] * 50 + [2] * 20 + [3] * 5)
cls = KMeans(n_clusters=4, init='k-means++')
# 聚類並且打標籤
y_hat = cls.fit_predict(data)
y2_hat = cls.fit_predict(data2)
y3_hat = cls.fit_predict(data3)
m = np.array(((1, 1), (1, 3)))
data_r = data.dot(m)
y_r_hat = cls.fit_predict(data_r)
myfont = font_manager.FontProperties(fname="/usr/share/fonts/cjkuni-uming/uming.ttc", size=18)
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False
# 四個類別數據點的顏色
cm = matplotlib.colors.ListedColormap(list('rgbm'))
plt.figure(figsize=(9, 10), facecolor='w')
plt.subplot(421)
plt.title("原始數據",fontproperties=myfont)
# 畫三點圖
plt.scatter(data[:, 0], data[:, 1], c=y, s=30, cmap=cm, edgecolors='none')
# 根據數據找到座標軸的最大數和最小數
x1_min, x2_min = np.min(data, axis=0)
x1_max, x2_max = np.max(data, axis=0)
x1_min, x1_max = expand(x1_min, x1_max)
x2_min, x2_max = expand(x2_min, x2_max)
# 畫座標軸
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.grid(True)
plt.subplot(422)
plt.title('KMeans++聚類',fontproperties=myfont)
plt.scatter(data[:, 0], data[:, 1], c=y_hat, s=30, cmap=cm, edgecolors='none')
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.grid(True)
plt.subplot(423)
plt.title('旋轉後數據', fontproperties=myfont)
plt.scatter(data_r[:, 0], data_r[:, 1], c=y, s=30, cmap=cm, edgecolors='none')
x1_min, x2_min = np.min(data_r, axis=0)
x1_max, x2_max = np.max(data_r, axis=0)
x1_min, x1_max = expand(x1_min, x1_max)
x2_min, x2_max = expand(x2_min, x2_max)
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.grid(True)
plt.subplot(424)
plt.title('旋轉後KMeans++聚類',fontproperties=myfont)
plt.scatter(data_r[:, 0], data_r[:, 1], c=y_r_hat, s=30, cmap=cm, edgecolors='none')
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.grid(True)
plt.subplot(425)
plt.title('方差不相等數據', fontproperties=myfont)
plt.scatter(data2[:, 0], data2[:, 1], c=y2, s=30, cmap=cm, edgecolors='none')
x1_min, x2_min = np.min(data2, axis=0)
x1_max, x2_max = np.max(data2, axis=0)
x1_min, x1_max = expand(x1_min, x1_max)
x2_min, x2_max = expand(x2_min, x2_max)
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.grid(True)
plt.subplot(426)
plt.title('方差不相等KMeans++聚類', fontproperties=myfont)
plt.scatter(data2[:, 0], data2[:, 1], c=y2_hat, s=30, cmap=cm, edgecolors='none')
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.grid(True)
plt.subplot(427)
plt.title('數量不相等數據', fontproperties=myfont)
plt.scatter(data3[:, 0], data3[:, 1], s=30, c=y3, cmap=cm, edgecolors='none')
x1_min, x2_min = np.min(data3, axis=0)
x1_max, x2_max = np.max(data3, axis=0)
x1_min, x1_max = expand(x1_min, x1_max)
x2_min, x2_max = expand(x2_min, x2_max)
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.grid(True)
plt.subplot(428)
plt.title('數量不相等KMeans++聚類', fontproperties=myfont)
plt.scatter(data3[:, 0], data3[:, 1], c=y3_hat, s=30, cmap=cm, edgecolors='none')
plt.xlim((x1_min, x1_max))
plt.ylim((x2_min, x2_max))
plt.grid(True)
plt.tight_layout(2, rect=(0, 0, 1, 0.97))
plt.suptitle('數據分佈對KMeans聚類的影響', fontproperties=myfont)
# https://github.com/matplotlib/matplotlib/issues/829
# plt.subplots_adjust(top=0.92)
plt.savefig('cluster_kmeans')
plt.show()
應用案例:降維
對圖片進行降維
# -*- coding: utf-8 -*-
from PIL import Image
import numpy as np
from sklearn.cluster import KMeans
import matplotlib
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
def restore_image(cb, cluster, shape):
row, col, dummy = shape
image = np.empty((row, col, 3))
index = 0
for r in range(row):
for c in range(col):
image[r, c] = cb[cluster[index]]
index += 1
return image
def show_scatter(a):
N = 10
print('原始數據:\n', a)
density, edges = np.histogramdd(a, bins=[N,N,N], range=[(0,1), (0,1), (0,1)])
density /= density.max()
x = y = z = np.arange(N)
d = np.meshgrid(x, y, z)
fig = plt.figure(1, facecolor='w')
ax = fig.add_subplot(111, projection='3d')
ax.scatter(d[1], d[0], d[2], c='r', s=100*density, marker='o', depthshade=True)
ax.set_xlabel(u'紅色分量')
ax.set_ylabel(u'綠色分量')
ax.set_zlabel(u'藍色分量')
plt.title(u'圖像顏色三維頻數分佈', fontsize=20)
plt.figure(2, facecolor='w')
den = density[density > 0]
den = np.sort(den)[::-1]
t = np.arange(len(den))
plt.plot(t, den, 'r-', t, den, 'go', lw=2)
plt.title(u'圖像顏色頻數分佈', fontsize=18)
plt.grid(True)
plt.show()
if __name__ == '__main__':
# 中文有關
matplotlib.rcParams['font.sans-serif'] = [u'SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False
num_vq = 256
im = Image.open('./Lena.png') # flower2.png(200)/lena.png(50)
image = np.array(im).astype(np.float) / 255
image = image[:, :, :3] # 只要rgb三個維度,不要透明度
image_v = image.reshape((-1, 3)) # 拉伸
model = KMeans(num_vq) # 256個類別
show_scatter(image_v)
N = image_v.shape[0] # 圖像像素總數
# 選擇足夠多的樣本(如1000個),計算聚類中心
# 隨機選擇1000個像素點
idx = np.random.randint(0, N, size=1000)
image_sample = image_v[idx]
model.fit(image_sample)
c = model.predict(image_v) # 聚類結果
print('聚類結果:\n', c)
print('聚類中心:\n', model.cluster_centers_)
plt.figure(figsize=(15, 8), facecolor='w')
plt.subplot(121)
plt.axis('off')
plt.title(u'原始圖片', fontsize=18)
plt.imshow(image)
# plt.savefig('1.png')
plt.subplot(122)
vq_image = restore_image(model.cluster_centers_, c, image.shape)
plt.axis('off')
plt.title(u'矢量量化後圖片:%d色' % num_vq, fontsize=20)
plt.imshow(vq_image)
# plt.savefig('2.png')
plt.tight_layout(1.2)
plt.show()