k-means

本文为转载 原文地址：https://blog.csdn.net/qq_39388410/article/details/78235882
@TOC版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39388410/article/details/78235882
K-means原理：
所谓物以类聚，人以群分。相似的人们总是相互吸引在一起。

数据也是一样。在kNN中，某个数据以与其他数据间的相似度来预测其标签，而K-means是一群无标记数据间的因为自我相似的聚拢。显而易见，K-means的目标为簇内密集而簇间稀疏。

简单来说就是首先先确定k个初始点作为质心，然后将数据集中的每一个点分配到一个距其最近的簇中，这一步完成后将每个簇的质心更新为该簇所有点的平均值，直至中心不再变化。

算法实现：（Python）

def distEclud(vecA, vecB):#计算两个向量的欧式距离
return sqrt(sum(power(vecA - vecB, 2)))

def randCent(dataSet, k):#随机质心
n = shape(dataSet)1
centroids = mat(zeros((k,n)))
for j in range(n):
minJ = min(dataSet[:,j])
rangeJ = float(max(dataSet[:,j]) - minJ)
centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1))
return centroids

def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
m = shape(dataSet)[0]
clusterAssment = mat(zeros((m,2)))#存储每个点的分配，即簇索引值和误差
centroids = createCent(dataSet, k)
clusterChanged = True
while clusterChanged:
clusterChanged = False
for i in range(m):
minDist = inf; minIndex = -1
for j in range(k):#寻找最近质心
distJI = distMeas(centroids[j,:],dataSet[i,:])
if distJI < minDist:
minDist = distJI; minIndex = j
if clusterAssment[i,0] != minIndex: clusterChanged = True
clusterAssment[i,:] = minIndex,minDist**2
print (centroids)
for cent in range(k):#更新质心的位置
ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]
centroids[cent,:] = mean(ptsInClust, axis=0)
return centroids, clusterAssment
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
k-means算法简单、快速，效率高，当数据集是密集的、球状或团状的簇群，且簇与簇之间区别明显时，聚类效果很好。但是它也有不少的问题：

使用范围的约束
k-means，k-means，这个平均值（means）被定义的情况下才能使用。而且对有些分类属性的数据不适用。而且对非凸面形状的簇，或者大小差别很大的簇简直无解。

k是用户指派的？k的选择问题
由于k是用户预先定义的参数，那么如何选择k才是最佳的呢？一种度量聚类效果的指标是误差平方和（Sum of Squared Error，SSE），SSE越小表示数据点越接近它们的质心，聚类的效果相对来说也就最好。所以利用SEE的改进方法就是对生成的簇进行后处理，一是将最大的SSE值的簇分成两个（将这个簇的点过滤出后再进行k为2的k-means），而是合并最小的SSE簇。
或者是人工考虑“肘部法则”来选择，即画出不同k值下的代价函数图，这很像一个人的肘部，观察图形可知，当达到一个点时J下降的非常快，之后会很慢，由此来选择k。

但是当遇到高维度、海量的数据集时，人们往往很难准确地估计出K的大小，所以最好使用迭代自组织数据分析法（Iterative Self-Organizing Data Analysis Technique ，ISODATA）来判断。即当属于某个类别的样本数过少时把这个类别去除，当属于某个类别的样本数过多、分散程度较大时把这个类别分为两个子类别。

只能用欧式距离？度量方式的选择
除了根据实际情况进行选择外，还可以参照支持向量机中核函数的思想，将所有样本映射到另外一个特征空间中再进行聚类。

闵可夫斯基距离
欧几里得距离
曼哈顿距离
切比雪夫距离
马氏距离
余弦相似度
皮尔逊相关系数
汉明距离
杰卡德相似系数
编辑距离
DTW 距离
KL 散度

计算距离时间太多？距离度量的优化
elkan K-Means算法利用了两边之和大于等于第三边,以及两边之差小于第三边的三角形性质，来减少计算量，提高时间。

不抗干扰，被噪声扰动影响太大

初质心不同，结果不同？K-means对初值的敏感
K-means非常容易受初识质心的影响，质心的不同，聚类结果可能千差万别。所以为了更好的效果，可以采用二分k均值聚类，即每次都选择有最大误差的簇进行二分，直至k个簇全部创建成功。

算法实现：（Python）

def biKmeans(dataSet, k, distMeas=distEclud):#二分k均值聚类
m = shape(dataSet)[0]
clusterAssment = mat(zeros((m,2)))
centroid0 = mean(dataSet, axis=0).tolist()[0]
centList =[centroid0]
for j in range(m):
clusterAssment[j,1] = distMeas(mat(centroid0), dataSet[j,:])**2
while (len(centList) < k):
lowestSSE = inf
for i in range(len(centList)):#遍历每一个簇
ptsInCurrCluster = dataSet[nonzero(clusterAssment[:,0].A==i)[0],:]
centroidMat, splitClustAss = kMeans(ptsInCurrCluster, 2, distMeas)
sseSplit = sum(splitClustAss[:,1])#计算划分后的两个簇的误差
sseNotSplit = sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1])
print ("sseSplit, and notSplit: ",sseSplit,sseNotSplit)
if (sseSplit + sseNotSplit) < lowestSSE:#误差之和作为本次划分的误差
bestCentToSplit = i
bestNewCents = centroidMat
bestClustAss = splitClustAss.copy()
lowestSSE = sseSplit + sseNotSplit
bestClustAss[nonzero(bestClustAss[:,0].A == 1)[0],0] = len(centList) #更新簇的分配结果。将刚刚划分完的0，1编号的结果簇修改编号，由两个数组过滤器来完成
bestClustAss[nonzero(bestClustAss[:,0].A == 0)[0],0] = bestCentToSplit
print ('the bestCentToSplit is: ',bestCentToSplit)
print ('the len of bestClustAss is: ', len(bestClustAss))
centList[bestCentToSplit] = bestNewCents[0,:].tolist()[0]#新的质心增加到centroids中
centList.append(bestNewCents[1,:].tolist()[0])
clusterAssment[nonzero(clusterAssment[:,0].A == bestCentToSplit)[0],:]= bestClustAss
return mat(centList), clusterAssment
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
原型聚类
K-means之所以为原型聚类就在于它是通过先对原型进行初始化，然后对原型进行不断的迭代求解。当然了，不同的原型刻画方法，求解方式，将产生不同的算法。对K-means来说，初始的k个样本便是它的原型向量。与K-means一样，学习向量量化（Learning Vector Quantization，LVQ）也是尝试找到一组原型向量来刻画该原型，但LVQ的样本是带有标记的，即通过监督信息来辅助聚类。如果你了解一些神经网络，那么LVQ对于你应该很熟悉，它的核心其实就是“适者生存”的竞争策略，只对竞争获胜的神经元进行参数调整，是自组织映射(Self-organizing Maps,SOM)基于监督信息的一种变体。

而它用于聚类也是如此。大致算法思想是从样本集中随机选取一个有标记的样本（x，y），找到最小的那个原型向量p，判断样本的标记y与原型向量的标记是否一致。若一致则更新为p’ = p + a*(x-p)，否则更新为p’ = p - a*(x - p)。 直观上看标记相同则靠拢，不同则远离。

K-means应用：
KMeans参数说明：
KMeans(algorithm=‘auto’, copy_x=True, init=‘k-means++’, max_iter=300,n_clusters=3, n_init=10, n_jobs=1, precompute_distances=‘auto’,random_state=None, tol=0.0001, verbose=0)

algorithm："full"就是传统的K-Means算法， “elkan”是采用elkan K-Means算法。
copy_x=True：对是否修改数据的一个标记，如果True，即复制了就不会修改数据。
init=‘k-means++’：初始值选择方式
max_iter=300：最大迭代
n_clusters=3：k的值
n_init=10：初始化质心运行次数
n_jobs=1：并行工作数
precompute_distances=‘auto’：是否预计算距离
random_state=None：随机状态条件
tol=0.0001： 容忍度，即kmeans运行准则收敛的条件
verbose=0：冗长模式
1
2
3
4
5
6
7
8
9
10
11
MiniBatchKMeans(batch_size=45, compute_labels=True, init=‘k-means++’, init_size=None, max_iter=100, max_no_improvement=10, n_clusters=3,n_init=10, random_state=None, reassignment_ratio=0.01, tol=0.0,verbose=0)

batch_size=45：采样集大小
compute_labels=True：计算标签
init=‘k-means++’：初始值选择方式
init_size=None：质心选择的样本数
max_iter=100：最大迭代
max_no_improvement=10：连续性的无改善聚类效果的最大阈值
n_clusters=3：k的值
n_init=10：初始化质心运行次数
random_state=None：随机状态条件
reassignment_ratio=0.01：某个类别质心被重新赋值的最大次数比例
tol=0.0：容忍度，即kmeans运行准则收敛的条件
verbose=0：冗长模式
1
2
3
4
5
6
7
8
9
10
11
12
比较这两种模式的聚类表现：

import time

import numpy as np
import matplotlib.pyplot as plt

from sklearn.cluster import MiniBatchKMeans, KMeans
from sklearn.metrics.pairwise import pairwise_distances_argmin
from sklearn.datasets.samples_generator import make_blobs

#s生成数据
np.random.seed(0)

batch_size = 45
centers = [[1, 1], [-1, -1], [1, -1]]
n_clusters = len(centers)
X, labels_true = make_blobs(n_samples=3000, centers=centers, cluster_std=0.7)

#Means
k_means = KMeans(init=‘k-means++’, n_clusters=3, n_init=10)
t0 = time.time()
k_means.fit(X)
t_batch = time.time() - t0

#MiniBatchKMeans
mbk = MiniBatchKMeans(init=‘k-means++’, n_clusters=3, batch_size=batch_size,
n_init=10, max_no_improvement=10, verbose=0)
t0 = time.time()
mbk.fit(X)
t_mini_batch = time.time() - t0

fig=plt.figure(figsize=(8, 3))
fig.subplots_adjust(left=0.02, right=0.98, bottom=0.05, top=0.9)
colors = [’#4EACC5’, ‘#FF9C34’, ‘#4E9A06’]

k_means_cluster_centers = np.sort(k_means.cluster_centers_, axis=0)
mbk_means_cluster_centers = np.sort(mbk.cluster_centers_, axis=0)
k_means_labels = pairwise_distances_argmin(X, k_means_cluster_centers)
mbk_means_labels = pairwise_distances_argmin(X, mbk_means_cluster_centers)
order = pairwise_distances_argmin(k_means_cluster_centers,
mbk_means_cluster_centers)

KMeans

ax = fig.add_subplot(1, 3, 1)
for k, col in zip(range(n_clusters), colors):
my_members = k_means_labels == k
cluster_center = k_means_cluster_centers[k]
ax.plot(X[my_members, 0], X[my_members, 1], ‘w’,
markerfacecolor=col, marker=’.’)
ax.plot(cluster_center[0], cluster_center1, ‘o’, markerfacecolor=col,
markeredgecolor=‘k’, markersize=6)
ax.set_title(‘KMeans’)
ax.set_xticks(())
ax.set_yticks(())
plt.text(-3.5, 1.8, ‘train time: %.2fs\ninertia: %f’ % (
t_batch, k_means.inertia_))

MiniBatchKMeans

ax = fig.add_subplot(1, 3, 2)
for k, col in zip(range(n_clusters), colors):
my_members = mbk_means_labels == order[k]
cluster_center = mbk_means_cluster_centers[order[k]]
ax.plot(X[my_members, 0], X[my_members, 1], ‘w’,
markerfacecolor=col, marker=’.’)
ax.plot(cluster_center[0], cluster_center1, ‘o’, markerfacecolor=col,
markeredgecolor=‘k’, markersize=6)
ax.set_title(‘MiniBatchKMeans’)
ax.set_xticks(())
ax.set_yticks(())
plt.text(-3.5, 1.8, ‘train time: %.2fs\ninertia: %f’ %
(t_mini_batch, mbk.inertia_))

#两者的不同聚类点
different = (mbk_means_labels == 4)
ax = fig.add_subplot(1, 3, 3)

for k in range(n_clusters):
different += ((k_means_labels == k) != (mbk_means_labels == order[k]))

identic = np.logical_not(different)
ax.plot(X[identic, 0], X[identic, 1], ‘w’,
markerfacecolor=’#bbbbbb’, marker=’.’)
ax.plot(X[different, 0], X[different, 1], ‘w’,
markerfacecolor=‘m’, marker=’.’)
ax.set_title(‘Difference’)
ax.set_xticks(())
ax.set_yticks(())

plt.show()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89

可以发现两者聚类结果只有少量的不同。

SPSS应用

详细介绍就不多说了，运行后打开节点可以看到很多的细节。

和Weka一样，画好图后应用就可以得到结果：

————————————————
版权声明：本文为CSDN博主「Hiro大好」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_39388410/article/details/78235882

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	'Isn't this fun?'	‘Isn’t this fun?’
Quotes	"Isn't this fun?"	“Isn’t this fun?”
Dashes	-- is en-dash, --- is em-dash	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }{t}^{z-1}{e}^{-t}dt.$$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

• 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：:

这将产生一个流程图。:

• 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

• 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

---

1. mermaid语法说明 ↩︎

2. 注脚的解释 ↩︎