1. 归类:
聚类(clustering) 属于非监督学习 (unsupervised learning)
无类别标记(class label)
2. 举例:
3. K-means 算法:
3.1 Clustering 中的经典算法,数据挖掘十大经典算法之一
3.2 算法接受参数 k ;然后将事先输入的n个数据对象划分为 k个聚类以便使得所获得的聚类满足:同一
聚类中的对象相似度较高;而不同聚类中的对象相似度较小。
3.3 算法思想:
以空间中k个点为中心进行聚类,对最靠近他们的对象归类。通过迭代的方法,逐次更新各聚类中心
的值,直至得到最好的聚类结果
3.4 算法描述:
(1)适当选择c个类的初始中心;
(2)在第k次迭代中,对任意一个样本,求其到c各中心的距离,将该样本归到距离最短的中心所在
的类;
(3)利用均值等方法更新该类的中心值;
(4)对于所有的c个聚类中心,如果利用(2)(3)的迭代法更新后,值保持不变,则迭代结束,
否则继续迭代。
3.5 算法流程:
输入:k, data[n];
(1) 选择k个初始中心点,例如c[0]=data[0],…c[k-1]=data[k-1];
(2) 对于data[0]….data[n], 分别与c[0]…c[k-1]比较,假定与c[i]差值最少,就标记为i;
(3) 对于所有标记为i点,重新计算c[i]={ 所有标记为i的data[j]之和}/标记为i的个数;
(4) 重复(2)(3),直到所有c[i]值的变化小于给定阈值。
举例:
Python实现:
import numpy as np def kmeans(X,k,maxIt): numPoints,numDim = X.shape dataSet = np.zeros((numPoints,numDim+1)) dataSet[:,:-1] = X #随机从numPoints行中随机选出k行,所有列 作为中心点“centroids" centroids = dataSet[np.random.randint(numPoints,size=k),:] # centroids = dataSet[0:2,:] centroids[:,-1] = range(1,k+1)#对中心点最后一列初始化 iterations = 0 #循环次数 oldCentroids = None while not shouldStop(oldCentroids,centroids,iterations,maxIt): print("itration: \n",iterations) print("dataSet: \n",dataSet) print("centroids: \n",centroids) oldCentroids = np.copy(centroids) iterations += 1 updateLabels(dataSet,centroids) centroids = getCentroids(dataSet,k)#重新换中心点 return dataSet def shouldStop(oldCentroids,centroids,iterations,maxIt): if iterations > maxIt: return True return np.array_equal(oldCentroids,centroids)#比较两个中心店的值是否相等 def updateLabels(dataSet,centroids): numPoints,numDim = dataSet.shape for i in range(0,numPoints): dataSet[i,-1] = getLabelFromClosestCentrooid(dataSet[i,:-1],centroids)#为dataSet中最后一列进行重新归类 #对比每个点与中心店的距离,返回距离最近的中心点的标签 def getLabelFromClosestCentrooid(dataSetRow,centroids): label = centroids[0,-1] minDist = np.linalg.norm(dataSetRow - centroids[0,:-1])#两点之间的距离 for i in range(1,centroids.shape[0]): dist = np.linalg.norm(dataSetRow - centroids[i,:-1]) if dist < minDist: minDist = dist label = centroids[i,-1] print("minDist:",minDist) return label def getCentroids(dataSet,k):#其实就是点的平均值 result = np.zeros((k,dataSet.shape[1])) for i in range(1,k+1): oneCluster = dataSet[dataSet[:,-1] == i,:-1]#一个类别中的所有点 result[i - 1,:-1] = np.mean(oneCluster,axis=0)#对行求均值 result[i - 1,-1] = i return result x1 = np.array([1, 1]) x2 = np.array([2, 1]) x3 = np.array([4, 3]) x4 = np.array([5, 4]) testX = np.vstack((x1, x2, x3, x4))#把数组转换成二维数组,4行2列 result = kmeans(testX, 2, 10) print ("final result:") print (result)