k-means算法

最新推荐文章于 2024-07-23 22:06:37 发布

Hry031012

最新推荐文章于 2024-07-23 22:06:37 发布

阅读量629

点赞数

文章标签：算法 kmeans 聚类

本文链接：https://blog.csdn.net/Hry031012/article/details/125690403

版权

1.简介

K-means算法也称为K_均值算法，用于聚类算法。聚类是一种无监督学习，他将相似的对象归于一个簇中，簇中心通过簇中所有点的均值来计算。聚类算法与分类算法的主要区别就是分类的目标类别已知，而聚类的目标类别未知。

2.聚类概念

简单来说是将一堆没有标签的数据分为不同的簇，每个簇中数据为一类
在这里插入图片描述
B. 在聚类的过程中，图中左上角的原始数据分布散点图呈灰色，没有用特定的颜色（红色或橙色）区分，也就是说数据没有标签。聚类后将数据分为不同的簇，用红橙黑三色标记。在一个簇中的数据就认为是同一类，也就是说这些数据具有相似性

3.算法步骤

1.随机选取k个初始中心点；
2.针对数据集中的每个样本点，计算样本点与k个中心点的距离，将样本点划分到离它最近的中心点所对应的类别中；
3.类别划分完成后，重新确定类别的中心点，将类别中所有样本各特征的均值作为新的中心点对应特征的取值，即该类中所有样本的质心；
4.重复上面的2 3步骤，直到达到某个终止条件（迭代次数、每一个簇中的点不再变等）
在这里插入图片描述

4.例子

在这里插入图片描述

5.K的选择

1.手肘法

在这里插入图片描述

手肘法的核心指标是SSE(sum of the squared errors，误差平方和)，其中，Ci是第i个簇，p是Ci中的样本点，mi是Ci的质心（Ci中所有样本的均值），SSE是所有样本的聚类误差，代表了聚类效果的好坏。
肘法的核心思想是：随着聚类数k的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么误差平方和SSE自然会逐渐变小。并且，当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，也就是说SSE和k的关系图是一个手肘的形状，而这个肘部对应的k值就是数据的真实聚类数。当然，这也是该方法被称为手肘法的原因。
计算k从1到n的的SSE
SSE会逐渐减小，直到k=n时SSE=0,每个点都是质心
在SSE减小过程，会出现拐点，这个拐点就是肘，下降率突然变缓时，就是最佳K值。

在这里插入图片描述

2.轮廓系数法

在这里插入图片描述
该方法的核心指标是轮廓系数（Silhouette Coefficient），某个样本点Xi的轮廓系数定义如下：其中，a是Xi与同簇的其他样本的平均距离，称为凝聚度，b是Xi与最近簇中所有样本的平均距离，
称为分离度。而最近簇的定义是在这里插入图片描述
其中p是某个簇Ck中的样本。事实上，简单点讲，就是用Xi到某个簇所有样本平均距离作为衡量该点到该簇的距离后，选择离Xi最近的一个簇作为最近簇。

求出所有样本的轮廓系数后再求平均值就得到了平均轮廓系数。平均轮廓系数的取值范围为[-1,1]，且簇内样本的距离越近，簇间样本距离越远，平均轮廓系数越大，聚类效果越好。那么，很自然地，平均轮廓系数最大的k便是最佳聚类数。

6.代码

import numpy as np
import matplotlib.pyplot as plt


# 两点欧氏距离
def distance(e1, e2):
    return np.sqrt((e1[0] - e2[0]) ** 2 + (e1[1] - e2[1]) ** 2)


# 集合中心
def means(arr):
    return np.array([np.mean([e[0] for e in arr]), np.mean([e[1] for e in arr])])  # mean用于求取均值   arr存放某一个簇中的点


if __name__ == "__main__":
    ## 生成二维随机坐标（如果有数据集就更好）
    arr = np.random.randint(0, 100, size=(100, 2))

    ## 初始化聚类中心和聚类容器
    m = 5  # 聚类个数
    k_arr = np.random.randint(0, 100, size=(5, 2))  # 随机初始5个中心
    cla_temp = [[], [], [], [], []]  # 存放每个簇中的点

    ## 迭代聚类
    n = 20  # 迭代次数

    for i in range(n):  # 迭代n次
        for e in arr:  # 把集合里每一个元素聚到最近的类
            ki = 0  # 假定距离第一个中心最近
            min_d = distance(e, k_arr[ki])
            for j in range(1, k_arr.__len__()):
                if distance(e, k_arr[j]) < min_d:  # 找到更近的聚类中心
                    min_d = distance(e, k_arr[j])
                    ki = j
            cla_temp[ki].append(e)
        # 迭代更新聚类中心
        for k in range(k_arr.__len__()):
            if n - 1 == i:
                break
            k_arr[k] = means(cla_temp[k])
            cla_temp[k] = []

    ## 可视化展示
    col = ['HotPink', 'Aqua', 'Chartreuse', 'yellow', 'LightSalmon']  # 仅提供了5种颜色
    for i in range(m):
        plt.scatter(k_arr[i][0], k_arr[i][1], linewidth=10, color=col[i])  # 画中心的散点图
        plt.scatter([e[0] for e in cla_temp[i]], [e[1] for e in cla_temp[i]], color=col[i])  # 画簇中的点
    plt.show()

7.优缺点

1.优点

1、原理比较简单，实现也是很容易，收敛速度快。
2、当结果簇是密集的，而簇与簇之间区别明显时, 它的效果较好。
3、主要需要调参的参数仅仅是簇数k。
4、算法的可解释度比较强。

2.缺点

1、K值需要预先给定，很多情况下K值的估计是非常困难的。
2、K-Means算法对初始选取的质心点是敏感的，不同的随机种子点得到的聚类结果完全不同，对结果影响很大。
3、对噪音和异常点比较的敏感。用来检测异常值。
4、采用迭代方法，可能只能得到局部的最优解，而无法得到全局的最优解。
5、对于不是凸的数据集比较难收敛。
6、如果各类隐含类别的数据不均衡，比如隐含类别的数据严重失衡，或者各隐含类别的方差不同，则聚类效果不佳。