Python机器学习算法实现
Author:louwill
Machine Learning Lab
聚类分析(Cluster Analysis)是一类经典的无监督学习算法。在给定样本的情况下,聚类分析通过特征相似性或者距离的度量方法,将其自动划分到若干个类别中。常用的聚类分析方法包括层次聚类法(Hierarchical Clustering)、k均值聚类(K-means Clustering)、模糊聚类(Fuzzy Clustering)以及密度聚类(Density Clustering)等。本节我们仅对最常用的kmeans算法进行讲解。
相似度度量
相似度或距离度量是聚类分析的核心概念。常用的距离度量方式包括闵氏距离和马氏距离,常用的相似度度量方式包括相关系数和夹角余弦等。
闵氏距离
闵氏距离即闵可夫斯基距离(Minkowski Distance),定义如下。给定 维向量样本集合 ,对于 , ,,样本 与样本 之间的闵氏距离可定义为:
,
当 时,闵氏距离就可以表达为欧式距离(Euclidean Distance):
当 时,闵氏距离也称为曼哈顿距离(Manhatan Distance):
当 时,闵氏距离也称为切比雪夫距离(Chebyshev Distance):
马氏距离
马氏距离全称为马哈拉诺比斯距离(Mahalanobis Distance),即一种考虑各个特征之间相关性的聚类度量方式。给定一个样本集合 ,其协方差矩阵为 ,样本 与样本 之间的马氏距离可定义为:
当 为单位矩阵时,即样本的各特征之间相互独立且方差为1时,马氏距离就是欧式距离。相关系数
相关系数(Correlation Coefficent)是度量相似度最常用的方式。相关系数越接近于1表示两个样本越相似,相关系数越接近于0,表示两个样本越不相似。样本 和 之间相关系数可定义为:夹角余弦
夹角余弦也是度量两个样本相似度的方式之一。夹角余弦越接近于1表示两个样本越相似,夹角余弦越接近于0,表示两个样本越不相似。样本 和 之间夹角余弦可定义为:
kmeans聚类
kmeans即k均值聚类算法。给定
维样本集合
,
均值聚类是要将
个样本划分到
个不同的类别区域,通常而言
。所以
均值聚类可以总结为对样本集合
的划分,其学习策略主要是通过损失函数最小化来选取最优的划分。
我们使用欧式距离作为样本间距离的度量方式。则样本间的距离 可定义为:
定义样本与其所属类中心之间的距离总和为最终损失函数:
其中为第 个类的质心(即中心点), 中 表示指示函数,取值为1或0。函数 表示相同类中样本的相似程度。所以 均值聚类可以规约为一个优化问题求解:
该问题是一个NP hard的组合优化问题,实际求解时我们采用迭代的方法进行求解。
根据以上定义,我们可以梳理
均值聚类算法的主要流程如下:
初始化质心。即在第0次迭代时随机选择 个样本点作为初始化的聚类质心点。
按照样本与中心的距离对样本进行聚类。对固定的类中心,其中 为类 的中心点,计算每个样本到类中心的距离,将每个样本指派到与其最近的中心点所在的类,构成初步的聚类结果 。
计算上一步聚类结果的新的类中心。对聚类结果 计算当前各个类中样本均值,并作为新的类中心。
如果迭代收敛或者满足迭代停止条件,则输出最后聚类结果 ,否则令 ,返回第二步重新计算。
kmeans算法实现
下面我们基于numpy按照前述算法流程来实现一个kmeans算法。回顾上述过程,我们可以先思考一下对算法每个流程该如何定义。首先要定义欧式距离计算函数,然后类中心初始化、根据样本与类中心的欧式距离划分类别并获取聚类结果、根据新的聚类结果重新计算类中心点、重新聚类直到满足停止条件。
下面我们先定义两个向量之间的欧式距离函数如下:
import numpy as np
# 定义欧式距离
def euclidean_distance(x1, x2):
distance = 0
# 距离的平方项再开根号
for i in range(len(x1)):
distance += pow((x1[i] - x2[i]), 2)
return np.sqrt(distance)
然后为每个类别随机选择样本进行类中心初始化:
# 定义中心初始化函数
def centroids_init(k, X):
n_samples, n_features = X.shape
centroids = np.zeros((k, n_features))
for i in range(k):
# 每一次循环随机选择一个类别中心
centroid = X[np.random.choice(range(n_samples))]
centroids[i] = centroid
return centroids
根据欧式距离计算每个样本所属最近类中心点的索引:
# 定义样本的最近质心点所属的类别索引
def closest_centroid(sample, centroids):
closest_i = 0
closest_dist = float('inf')
for i, centroid in enumerate(centroids):
# 根据欧式距离判断,选择最小距离的中心点所属类别
distance = euclidean_distance(sample, centroid)
if distance < closest_dist:
closest_i = i
closest_dist = distance
return closest_i
定义构建每个样本所属类别过程如下:
# 定义构建类别过程
def create_clusters(centroids, k, X):
n_samples = np.shape(X)[0]
clusters = [[] for _ in range(k)]
for sample_i, sample in enumerate(X):
# 将样本划分到最近的类别区域
centroid_i = closest_centroid(sample, centroids)
clusters[centroid_i].append(sample_i)
return clusters
根据上一步聚类结果重新计算每个类别的均值中心点:
# 根据上一步聚类结果计算新的中心点
def calculate_centroids(clusters, k, X):
n_features = np.shape(X)[1]
centroids = np.zeros((k, n_features))
# 以当前每个类样本的均值为新的中心点
for i, cluster in enumerate(clusters):
centroid = np.mean(X[cluster], axis=0)
centroids[i] = centroid
return centroids
然后简单定义一下如何获取每个样本所属的类别标签:
# 获取每个样本所属的聚类类别
def get_cluster_labels(clusters, X):
y_pred = np.zeros(np.shape(X)[0])
for cluster_i, cluster in enumerate(clusters):
for sample_i in cluster:
y_pred[sample_i] = cluster_i
return y_pred
最后我们将上述过程进行封装,定义一个完整的kmeans算法流程:
# 根据上述各流程定义kmeans算法流程
def kmeans(X, k, max_iterations):
# 1.初始化中心点
centroids = centroids_init(k, X)
# 遍历迭代求解
for _ in range(max_iterations):
# 2.根据当前中心点进行聚类
clusters = create_clusters(centroids, k, X)
# 保存当前中心点
prev_centroids = centroids
# 3.根据聚类结果计算新的中心点
centroids = calculate_centroids(clusters, k, X)
# 4.设定收敛条件为中心点是否发生变化
diff = centroids - prev_centroids
if not diff.any():
break
# 返回最终的聚类标签
return get_cluster_labels(clusters, X)
我们来简单测试一下上述实现的kmeans算法:
# 测试数据
X = np.array([[0,2],[0,0],[1,0],[5,0],[5,2]])
# 设定聚类类别为2个,最大迭代次数为10次
labels = kmeans(X, 2, 10)
# 打印每个样本所属的类别标签
print(labels)
[0. 0. 0. 1. 1.]
可以看到,kmeans算法将第1~3个样本聚为一类,第4~5个样本聚为一类。sklearn中也为我们提供了kmeans算法的接口,尝试用sklearn的kmeans接口来测试一下该数据:
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
print(kmeans.labels_)
[0. 0. 0. 1. 1.]
可以看到sklearn的聚类结果和我们自定义的kmeans算法是一样的。但是这里有必要说明的一点是,不同的初始化中心点的选择对最终结果有较大影响,自定义的kmeans算法和sklearn算法计算出来的结果一致本身也有一定的偶然性。另外聚类类别k的选择也需要通过一定程度上的实验才能确定。
参考资料:
李航 统计学习方法 第二版
往期精彩:
数学推导+纯Python实现机器学习算法21:马尔科夫链蒙特卡洛
数学推导+纯Python实现机器学习算法20:LDA线性判别分析
数学推导+纯Python实现机器学习算法18:奇异值分解SVD
数学推导+纯Python实现机器学习算法17:XGBoost
数学推导+纯Python实现机器学习算法16:Adaboost
数学推导+纯Python实现机器学习算法14:Ridge岭回归
数学推导+纯Python实现机器学习算法13:Lasso回归
数学推导+纯Python实现机器学习算法10:线性不可分支持向量机
数学推导+纯Python实现机器学习算法8-9:线性可分支持向量机和线性支持向量机
数学推导+纯Python实现机器学习算法5:决策树之CART算法
数学推导+纯Python实现机器学习算法4:决策树之ID3算法
往期精彩回顾
适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑获取一折本站知识星球优惠券,复制链接直接打开:https://t.zsxq.com/yFQV7am本站qq群1003271085。加入微信群请扫码进群: