kmeans是最简单的聚类算法之一,具有出色的速度和良好的可扩展性,这里附上使用sklearn的包的简易实现。n_clusters是聚类的个数,这里选择2。
Kmeans实现
import numpy as np
import matplotlib.pyplot as plt
import sklearn
from sklearn.cluster import KMeans
if __name__ == "__main__":
cluster1 = np.random.uniform(0,1,(2,10))
cluster2 = np.random.uniform(10,12,(2,10))
X = np.hstack((cluster1,cluster2)).T
kmeans = KMeans(n_clusters = 2)
kmeans.fit(X)
print (X)
最佳k值的确定
对于未知聚类个数的数据集,采用手肘法确定K值,手肘法的核心指标是SSE(sum of the squared errors,误差平方和),
其中k是聚类个数,Ci是第i个簇,p是Ci中的点,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。
理论上该值会随着k增加越来越小,但是在K超过一个特定的值后,SSE的下降显著变慢,则该值为最佳的k值。如下图,最佳k为4。当然在实际复杂的场景下,这样选择出的k未必是最优的,所以该方法可以作为参考。