Part3-Chapter10-利用k均值聚类算法对未标注数据分组(3)

前面介绍了普通的k-均值算法，该算法在初始时随机选取k个点作为初始质点，这种方法的坏处在于，如果一开始选择不当，即使后期有所改善，但对效果依旧会有影响。为了对这一方法进行改进，我们提出一种新的方法：二分k-均值方法。

这种方法是在开始时将所有数据视为同一类，然后对每一聚类：计算它的总误差，再将它分为两类，然后计算分类后的质点和误差。若分类后误差小于分类前误差，则找到分裂后误差最小的那个聚类，将其分裂并更新数据归属。

重复这一过程直到聚类数达到给定k值。我写的代码如下：

#二分K-均值算法
#dataSet：数据集
#k：指定聚类数
#splitFeat：用于分割的特征
def biKmeans(dataSet,k,splitFeat = 0):
    m,n = np.shape(dataSet)
    #保存数据所属聚类及与所属聚类质点距离的矩阵
    inDat = np.mat(np.zeros((m,2)))
    #一开始将所有点归为一个聚类，并将数据均值作为该聚类的质点
    for i in range(m):
        inDat[i][0] = 0
        #inDat[i][1] =\
        sum = calDis(dataSet[i][:], np.mean(dataSet,axis = 0))

    #当前聚类数目
    kCheck = 1
    #当聚类数少于指定聚类数时，迭代分裂
    while kCheck < k:
        #当前所有聚类分裂后得到的最小误差
        bestErr = np.inf
        #作为inDat的引用，保存分类后的数据归属及相应误差，最后更新inDat
        bestClu = i