kMeans算法

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)