一、什麼是聚類算法?
1、用於發現共同的羣體(cluster),比如:郵件聚類、用戶聚類、圖片邊緣。
2、聚類唯一會使用到的信息是:樣本與樣本之間的相似度(跟距離負相關)
給定N個訓練樣本(未標記的){x 1 , . . . , x N },同時給定結果聚類的個數K 目標:把比較“接近”的樣本放到一個cluster裏,總共得到K個cluster
二、不同場景的判定內容
圖片檢索:圖片內容相似度
圖片分割:圖片像素(顏色)相似度
網頁聚類:文本內容相似度
社交網絡聚類:(被)關注人羣,喜好,喜好內容
電商用戶聚類:點擊/加車/購買商品,行爲序列…
三、樣本—向量—距離
四、Kmeans聚類和層次聚類
Kmeans聚類:
得到的聚類是一個獨立於另外一個的
收斂:
聚類中心不再有變化 每個樣本到對應聚類中心的距離之和不再有很大變化
層次聚類:
可以看做樹狀層疊 無需初始輸入聚類個數
k-means聚類與層次聚類區別:
kmeans每次聚類產生一個聚類結果,層次聚類可以通過聚類程度不同產生不同結果 kmeans需要指定聚類個數K,層次聚類不用 kmeans比層次聚類更快 kmeans用的多,且可以用k-median
五、損失函數
六、K的選定
k值的影響:
k過大過小對結果都不好
“肘點”法:
選取不同的K值,畫出損失函數曲線,選取“肘點”值
七、優缺點
優點:
1. 易於理解,聚類效果不錯;
2. 處理大數據集的時候,該算法可以保證較好的伸縮性和高效率;
3. 當簇近似高斯分佈的時候,效果非常不錯 。
缺點:
1. k值是用戶給定的,進行數據處理前,k值是未知的,不同的k值得到的結果不一樣;
2. 對初始簇中心點是敏感的;
3. 對於團狀的數據點集區分度好,對於帶狀(環繞)等“非凸”形狀不太好。(用譜聚類或者做特徵映射)
4. 對異常點的“免疫力”很差,我們可以通過一些調整(比如中心不直接取均值,而是找均值最近的樣本點代替)
八、代碼示例
import random import matplotlib.pyplot as plt class Kmeans(): def __init__(self,k): ''' 初始化 param k:代表聚類中心個數 ''' self.__k=k self.__data = [] #存放原始數據 self.__pointCenter = [] #存放聚類中心點 self.__result = [] #存放最後的聚類結果 for i in range(k): self.__result.append([]) def calDistance(self,points1,points2): ''' 歐氏距離:sprt(x1-x2)^2+(y1-y2)^2 param points1:一維列表 param points2:一維列表 return:兩點之間直線距離 ''' distance = (sum([(x1-x2)**2 for x1,x2 in zip(points1, points2)]))**0.5 #開平方 return distance def randomCenter(self): ''' 生成self.__pointCenter:初次聚類中心點列表 return: ''' while len(self.__pointCenter)<self.__k: index = random.randint(0,len(self.__data)) #得到0到len(self.__data)-1之間的索引 if self.__data[index] not in self.__pointCenter: #用索引值得到列表的值 self.__pointCenter.append(self.__data[index]) def calPointToCenterDistance(self,data,center): ''' 計算每個店和聚類中心之間的距離 param data:原始數據 param center:中心聚類點 return:距離 ''' distance = [] for i in data: distance.append([self.calDistance(i,centerpoint) for centerpoint in center]) return distance def sortPoint(self,distance): ''' 對原始數據進行分類,將每個點分到離它最近的聚類中心點 param distance:得到的距離 return:返回最終的分類結果 ''' for i in distance: index = i.index(min(i)) #得到五個距離之中的最小值的索引 self.__result[index].append(self.__data[i]) #通過索引進行分類 return self.__result def calNewCenterPoint(self,result): ''' 計算新的中心點:通過生成新的聚類求取新的平均值 param result:分類結果 return:返回新的聚類中心點 ''' newCenterPoint1 = [] for temp in result: #進行轉置,將N*M轉爲M*N形式,將所有point.x值和point,y值撞到一個列表中,便於求取新的平均值 temps = [[temp[x][i] for x in range(len(temp))] for i in range(len(temp[0]))] point = [] for i in temps: point.append(sum(i)/len(i)) #求和再除以數組長度,求取平均值 newCenterPoint1.append(point) return newCenterPoint1 def calCenterToCenterDistance(self,old,new): ''' 迭代結束條件 計算新舊中心點之間的距離 param old: param new: return: ''' total = 0 for point1,point2 in zip(old,new): total += self.calDistance(point1,point2) return total/len(old) def fit(self,data,threshold,time=50000): self.__data = data self.randomCenter() print(self.__pointCenter) centerDistance = self.calPointToCenterDistance(self.__data,self.__pointCenter) #對原始數據進行分類,將每個點分到離它最近的中心點 i = 0 for temp in centerDistance: index = temp.index(min(temp)) self.__result[index].append(self.__data[i]) i +=1 #打印分類結果 print(self.__result) oldCenterPoint = self.__pointCenter newCenterPoint = self.calNewCenterPoint(self.__result) while self.calCenterToCenterDistance(oldCenterPoint,newCenterPoint) > threshold: time -= 1 result = [] for i in range(self.__k): result.append([]) #保存上次的中心點 oldCenterPoint = newCenterPoint centerDistance = self.calPointToCenterDistance(self.__data,newCenterPoint) #對原始數據進行分類,將每個點分到離它最近的中心點 i = 0 for temp in centerDistance: index = temp.index(min(temp)) result[index].append(self.__data[i]) i += 1 newCenterPoint = self.calNewCenterPoint(result) print(self.calCenterToCenterDistance(oldCenterPoint,newCenterPoint)) self.__result = result self.__pointCenter = newCenterPoint return newCenterPoint,self.__result if __name__ == "__main__": data = [] k = 6 #分類數量 for i in range(len(data)): kmeans = Kmeans(k=k) centerPoint,result = kmeans.fit(data,0.0001) print(centerPoint) plt.plot() plt.title('Kmeans') i = 0 tempx = [] tempy = [] color = [] for temp in result: temps = [[temp[x][i] for x in range(len(temp))] for i in range(len(temp[0]))] color += [i]*len(temps[0]) tempx += temps[0] tempy += temps[1] i+=2 plt.scatter(tempx,tempy,c=color,s=30) plt.show()
九、層次聚類
cluster R和cluster S之間距離怎麼界定?