机器学习算法基础——k-means原理

50.k-means原理以及案例

k-means API

sklearn.cluster.KMeans(n_clusters=8,init=‘k-means++’) k-means聚类

• n_clusters:开始的聚类中心数量
• init:初始化方法，默认为'k-means ++’
• labels_:默认标记的类型，可以和真实值比较（不是值比较）

import pandas as pd
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
#读取四张表
prior = pd.read_csv("/Users/zhucan/Desktop/instacart-market-basket-analysis/order_products__prior.csv")
products = pd.read_csv("/Users/zhucan/Desktop/instacart-market-basket-analysis/products.csv")
orders = pd.read_csv("/Users/zhucan/Desktop/instacart-market-basket-analysis/orders.csv")
aisles = pd.read_csv("/Users/zhucan/Desktop/instacart-market-basket-analysis/aisles.csv")
#合并四张表
_mg = pd.merge(prior,products,on=["product_id","product_id"])
_mg = pd.merge(_mg,orders,on=["order_id","order_id"])
mt = pd.merge(_mg,aisles,on=["aisle_id","aisle_id"])
cross = pd.crosstab(mt["user_id"],mt["aisle"])
pca =PCA(n_components=0.9)
data = pca.fit_transform(cross)
#样本数量减少
x = data[:500]
#假设客户一共有四个类
km = KMeans(n_clusters=4)
km.fit(x)
predict = km.predict(x)
#显示聚类的结果
plt.figure(figsize=(10,10))
colored=["blue","green","purple","orange"]
colr = [colored[i] for i in predict]
plt.scatter(x[:,1],x[:,20],color=colr)
plt.xlabel("1")
plt.ylabel("20")
plt.show()

• 如果sc_i 小于0，说明a_i 的平均距离大于最近的其他簇。
• 聚类效果不好 如果sc_i 越大，说明a_i 的平均距离小于最近的其他簇。
• 聚类效果好 轮廓系数的值是介于 [-1,1] ，越趋近于1代表内聚度和分离度都相对较优

Kmeans性能评估指标API

sklearn.metrics.silhouette_score(X, labels)

• 计算所有样本的平均轮廓系数
• X：特征值
• labels：被聚类标记的目标值

from sklearn.metrics import silhouette_score
#评判聚类效果 轮廓系数
silhouette_score(x,predict)

Kmeans总结

特点分析：采用迭代式算法，直观易懂并且非常实用

缺点：

• 容易收敛到局部最优解(多次聚类)              

• 需要预先设定簇的数量(k-means++解决)