K means聚類演算法

優點：容易實現

缺點：可能收斂到區域性最小值，在大規模資料集上收斂較慢

使用資料型別：數值型資料

k-means演算法實際上就是通過計算不同樣本間的距離來判斷他們的相近關係的，相近的就會放到同乙個類別中去。

1.首先我們需要選擇乙個k值，也就是我們希望把資料分成多少類，這裡k值的選擇對結果的影響很大，ng的課說的選擇方法有兩種一種是elbow method，簡單的說就是根據聚類的結果和k的函式關係判斷k為多少的時候效果最好。另一種則是根據具體的需求確定，比如說進行襯衫尺寸的聚類你可能就會考慮分成三類（l,m,s）等

2.然後我們需要選擇最初的聚類點（或者叫質心），這裡的選擇一般是隨機選擇的，**中的是在資料範圍內隨機選擇，另一種是隨機選擇資料中的點。這些點的選擇會很大程度上影響到最終的結果，也就是說運氣不好的話就到區域性最小值去了。這裡有兩種處理方法，一種是多次取均值，另一種則是後面的改進演算法（bisecting k-means）

3.終於我們開始進入正題了，接下來我們會把資料集中所有的點都計算下與這些質心的距離，把它們分到離它們質心最近的那一類中去。完成後我們則需要將每個簇算出平均值，用這個點作為新的質心。反覆重複這兩步，直到收斂我們就得到了最終的結果。

loaddataset(filename)

從檔案中讀取資料集

disteclud(veca, vecb)

計算距離，這裡用的是歐氏距離，當然其他合理的距離都是可以的

randcent(dataset, k)

隨機生成初始的質心，這裡是雖具選取資料範圍內的點

kmeans(dataset, k, distmeas=disteclud, createcent=randcent)

kmeans演算法，輸入資料和k值。後面兩個事可選的距離計算方式和初始質心的選擇方式

show(dataset, k, centroids, clusterassment)

視覺化結果

1
#coding=utf-8
2from numpy import *34
def loaddataset(filename):
5     datamat =
6     fr =open(filename)
7for line in
fr.readlines():
8         curline = line.strip().split('\t'
)9         fltline = map(float
, curline)
1011
return
datamat
1213
#計算兩個向量的距離，用的是歐幾里得距離
14def disteclud(veca, vecb):
15return sqrt(sum(power(veca - vecb, 2
)))16
17#隨機生成初始的質心（ng的課說的初始方式是隨機選k個點）    
18def randcent(dataset, k):
19     n = shape(dataset)[1
]20     centroids =mat(zeros((k,n)))
21for j in
range(n):
22         minj =min(dataset[:,j])
23         rangej = float(max(array(dataset)[:,j]) -minj)
24         centroids[:,j] = minj + rangej * random.rand(k,1)25
return
centroids
2627 def kmeans(dataset, k, distmeas=disteclud, createcent=randcent):
28     m = shape(dataset)[0
]29     clusterassment = mat(zeros((m,2
)))#create mat to assign data points 
30#to a centroid, also holds se of each point
31     centroids =createcent(dataset, k)
32     clusterchanged =true
33while
clusterchanged:
34         clusterchanged =false
35for i in range(m):#for
each data point assign it to the closest centroid
36             mindist =inf
37             minindex = -1
38for j in
range(k):
39                 distji =distmeas(centroids[j,:],dataset[i,:])
40if distji 
41                     mindist = distji; minindex =j
42if clusterassment[i,0] !=minindex: 
43                 clusterchanged =true
44             clusterassment[i,:] = minindex,mindist**2
45print centroids
46for cent in
range(k):#recalculate centroids
47             ptsinclust = dataset[nonzero(clusterassment[:,0].a==cent)[0]]#get all the point in
this
cluster
48             centroids[cent,:] = mean(ptsinclust, axis=0
) #assign centroid to mean 
49return
centroids, clusterassment
5051
def show(dataset, k, centroids, clusterassment):
52from matplotlib import pyplot as
plt  
53     numsamples, dim =dataset.shape  
54     mark = ['
or', '
ob', '
og', '
ok', '
^r', '
+r', '
sr', '
dr', '
', 'pr'
]  55
for i in
xrange(numsamples):  
56         markindex = int(clusterassment[i, 0
])  
57         plt.plot(dataset[i, 0], dataset[i, 1
], mark[markindex])  
58     mark = ['
dr', '
db', '
dg', '
dk', '
^b', '
+b', '
sb', '
db', '
', 'pb'
]  59
for i in
range(k):  
60         plt.plot(centroids[i, 0], centroids[i, 1], mark[i], markersize = 12
)  61
plt.show()
6263
def main():
64     datamat = mat(loaddataset('
testset.txt'))
65     mycentroids, clustassing= kmeans(datamat,4)66
print mycentroids
67     show(datamat, 4
, mycentroids, clustassing)  
6869
70if __name__ == '
__main__':
71     main()

這裡是聚類結果，還是很不錯的啦

但是有時候也會收斂到區域性最小值，就像下面這樣，就是不幸收斂到區域性最優了

K means聚類演算法

K Means聚類演算法

聚類演算法 K means

k means聚類演算法

K means聚類演算法

K Means聚類演算法

聚類演算法 K means

k means聚類演算法

相關推薦