上一節提到,在K-均值聚類中的簇的數目K是一個用戶預先定義的參數,那麼用戶如何才能知道 K 的選擇是不是正確?如何才能知道生成的簇比較好呢?
在包含簇分配結果的矩陣中保存着每個點的誤差,即該點到簇質心的距離平方值。下面要做的就是利用該誤差來評價聚類質量的方法。
一種用於度量聚類效果的指標是SSE,對應程序裏面 clusterAssment 矩陣第一列治和。SSE 值越小表示數據點越接近於它們的質心,聚類效果也越好。因爲對誤差去了平方,因此更加重視遠離中心的點。
書上有例子我就不多說了。
================================================================================
10.3 二分k-均值算法
爲克服 k-均值 算法收斂於局部最小的問題,有人提出了稱爲 二分k-均值 的算法。該算法首先將所有的點作爲一個簇,然後將該簇一分爲二。之後選擇其中一個簇繼續劃分。選擇哪一個簇進行劃分取決於對其劃分是否可以最大程度降低SSE的值。
僞代碼如下:
將所有點看成一個簇
當簇數目小於 k 時
對於每一個簇
計算總誤差
在給定的簇上面進行 K-均值 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 = distEclud):
m = shape(dataSet)[0]
clusterAssment = mat(zeros((m,2)))
# 創建一個初始簇
# 首先創建一個矩陣來存儲數據集中每個點的簇分配結果及平方誤差,然後計算整個數據集的質心,並使用一個列表來保留所有的質心。
centroid0 = mean(dataSet, axis = 0).tolist()[0] # s.tolist(),它可以將自己轉換爲一個列表對象返回。
centList = [centroid0]
for j in range(m):
clusterAssment[j,1] = distMeas(mat(centroid0), dataSet[j,:]) ** 2
while (len(centList) < k):
lowestSSE = inf # 一開始將最小的SSE設置爲無窮大
for i in range(len(centList)): # 遍歷所有的簇來決定最佳的簇進行劃分
# 嘗試劃分每一簇
# 將該簇中的所有點看做一個小的數據集
ptsInCurrCluster =\
dataSet[nonzero(clusterAssment[:,0].A == i)[0],:]
centroidMat, splitClustAss = \
kMeans(ptsInCurrCluster, 2, distMeas) # 放入kMeans 函數中處理
sseSplit = sum(splitClustAss[:,1])
sseNotSplit = \
sum(clusterAssment[nonzero(clusterAssment[:,0].A != i)[0],1])
print "sseSplit, and notSplit: ", sseSplit, sseNotSplit
if (sseSplit + sseNotSplit) < lowestSSE: # 如果該劃分的SSE值最小,則本次劃分被保存。
bestCentToSplit = i
bestNewCents = centroidMat
bestClustAss = splitClustAss.copy()
lowestSSE = sseSplit + sseNotSplit
# 更新簇的分配結果,通過兩個數組過濾器來完成
bestClustAss[nonzero(bestClustAss[:,0].A == 1)[0],0] = \
len(centList)
bestClustAss[nonzero(bestClustAss[:,0].A == 0)[0],0] = \
bestCentToSplit
print 'the bestCentToSplit is: ', bestCentToSplit
print 'the len of bestClustAss is:', len(bestClustAss)
# 新的簇分配結果被更新,新的質心會被添加到 centList 中。
centList[bestCentToSplit] = bestNewCents[0,:].tolist()[0]
centList.append(bestNewCents[1,:].tolist()[0])
clusterAssment[nonzero(clusterAssment[:,0].A ==\
bestCentToSplit)[0],:] = bestClustAss
return mat(centList), clusterAssment # 返回質心列表和簇分配結果
注意書上的代碼最後幾行少了 tolist()[0])
運行函數重寫爲:
# -*- coding:utf-8 -*-
# run_kMeans.py
# ex10.2
import kMeans
from numpy import *
datMat3 = mat(kMeans.loadDataSet('testSet2.txt'))
centList, myNewAssments = kMeans.biKmeans(datMat3,3)
print centList
print myNewAssments
print '\n'
print centList
結果太長就不給出了。