python实现k-means。通过3种方法综合确认簇数

本文应用软件为pycharm，通过sklearn库来实现k-means聚类，使用了3种确认K-means聚类簇数的方法，主要以应用为主，原理网上很多就不讲，代码实现会详细说明。

一、k-means实现方法

k-means首先需要用到sklearn库。

from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters = i, init = 'k-means++', max_iter =300, n_init = 10, random_state = 0)

第一行是导入库

第二行的KMeans就是实现k-means聚类函数，这个函数里面的参数中。

n_clusters表示簇的数量（需要通过方法来确认的），

init表示使用的是‘k-means'选取初始簇中心，当然相关的还有“random"随机选择初始簇中心。

max_iter表示迭代次数，次数越高越容易收敛到最佳解，较低的会使效果不理想。

n_init表示初始中心的随机选择次数。

random _state是随机种子，保证每次运行结果一致。

二、通过簇内误差平方和确认k值(肘部法则)

import pandas as pd
dataset = pd.read_csv('k均值数据集.csv')
wcss,X = [],dataset.iloc[:,[3,4]].values # 选取数据集第4和第5列，作为特征矩阵x
kmeans.fit(X) # 对特征矩阵x进行拟合,只用于训练模型，不返回结果值
wcss.append(kmeans.inertia_) # 将当前簇数的簇内误差平方和添加到wcss中

 这里对前面弄好的kmeans模型用fit函数训练，得到的就是簇内误差平方和。 可以写一个循环，比较簇数为不同情况时，簇内误差平方和变化，然后绘制折线图，当变化较平缓时，那么这个簇数就可以拿来当作模型的k值。也就是肘部法则。

for i in range (1,11): # 遍历1~10个簇数
    kmeans = KMeans(n_clusters = i, init = 'k-means++', max_iter =300, n_init = 10, random_state = 0)

    kmeans.fit(X) 
    wcss.append(kmeans.inertia_) 
plt.plot(range(1,11),wcss)
plt.title('肘部法则')
plt.xlabel('簇的数量')
plt.ylabel('簇内误差平方和（SSE）')
plt.show()

 

可以看到在第五个簇数时，效果较好。

三、轮廓系数与Davies-Bouldin指数

 这两个的话，轮廓系数是越高越好，Davies-Bouldin指数是越低越好。在python中，也有直接用来计算的函数，下面这个代码就是需要导入的函数。

from sklearn.metrics import silhouette_score, davies_bouldin_score

 silhouette_score是轮廓系数的，davies_bouldin_score是Davies-Bouldin指数的。

## 轮廓系数
# 计算轮廓系数和Davies-Bouldin指数
silhouette_scores = []
davies_bouldin_scores = []
for i in range(2, 11):
    kmeans = KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=10, random_state=0)
    y_kmeans = kmeans.fit_predict(X) 
    silhouette_scores.append(silhouette_score(X, y_kmeans))
    davies_bouldin_scores.append(davies_bouldin_score(X, y_kmeans))

plt.subplot(1, 2, 1)
plt.plot(range(2, 11), silhouette_scores, marker='o')
plt.title('Silhouette Score Method')
plt.xlabel('Number of clusters')
plt.ylabel('Silhouette Score')

plt.subplot(1, 2, 2)
plt.plot(range(2, 11), davies_bouldin_scores, marker='o')
plt.title('Davies-Bouldin Index Method')
plt.xlabel('Number of clusters')
plt.ylabel('Davies-Bouldin Index')
plt.show()

也是差不多同样的方法，直接套用就好了。

绘制可视化结果如下。

 可以看到，左边的轮廓系数到5时，和右边Davies-Bouldin指数到5时较好表现，与第一个簇内误差平方和得到的结论一样。因此可以选择5作为簇数。综合3种方法也会增加说服力。

  然后再做k-means聚类，并绘制聚类图。

 可以看出，簇数为5时，聚类效果较好。