K-Means：K均值聚类算法

最新推荐文章于 2024-05-14 14:43:43 发布

傅华涛Fu

最新推荐文章于 2024-05-14 14:43:43 发布

阅读量865

点赞数

分类专栏：机器学习文章标签： K-Means算法 K-聚类均值算法聚类算法

本文链接：https://blog.csdn.net/fu_jian_ping/article/details/88907698

版权

机器学习专栏收录该内容

32 篇文章 2 订阅

订阅专栏

下面通过一个案例简单介绍K-Means算法的简单流程：

>>点击下面的这张图片可以看得很清楚>>

通过上述案例可以比较清晰地理解K-Means算法，下面上代码：

测试数据：testSet.txt，同一行的两个数据之间用tab分隔

1.658985   4.285136
-3.453687   3.424321
4.838138   -1.151539
-5.379713   -3.362104
0.972564   2.924086
-3.567919   1.531611
0.450614   -3.302219
-3.487105   -1.724432
2.668759   1.594842
-3.156485   3.191137
3.165506   -3.999838
-2.786837   -3.099354
4.208187   2.984927
-2.123337   2.943366
0.704199   -0.479481
-0.392370   -3.963704
2.831667   1.574018
-0.790153   3.343144
2.943496   -3.357075
-3.195883   -2.283926
2.336445   2.875106
-1.786345   2.554248
2.190101   -1.906020
-3.403367   -2.778288
1.778124   3.880832
-1.688346   2.230267
2.592976   -2.054368
-4.007257   -3.207066
2.257734   3.387564
-2.679011   0.785119
0.939512   -4.023563
-3.674424   -2.261084
2.046259   2.735279
-3.189470   1.780269
4.372646   -0.822248
-2.579316   -3.497576
1.889034   5.190400
-0.798747   2.185588
2.836520   -2.658556
-3.837877   -3.253815
2.096701   3.886007
-2.709034   2.923887
3.367037   -3.184789
-2.121479   -4.232586
2.329546   3.179764
-3.284816   3.273099
3.091414   -3.815232
-3.762093   -2.432191
3.542056   2.778832
-1.736822   4.241041
2.127073   -2.983680
-4.323818   -3.938116
3.792121   5.135768
-4.786473   3.358547
2.624081   -3.260715
-4.009299   -2.978115
2.493525   1.963710
-2.513661   2.642162
1.864375   -3.176309
-3.171184   -3.572452
2.894220   2.489128
-2.562539   2.884438
3.491078   -3.947487
-2.565729   -2.012114
3.332948   3.983102
-1.616805   3.573188
2.280615   -2.559444
-2.651229   -3.103198
2.321395   3.154987
-1.685703   2.939697
3.031012   -3.620252
-4.599622   -2.185829
4.196223   1.126677
-2.133863   3.093686
4.668892   -2.562705
-2.793241   -2.149706
2.884105   3.043438
-2.967647   2.848696
4.479332   -1.764772
-4.905566   -2.911070

功能函数：

from numpy import *
from math import *

'''
loadDataSet(fileName)函数将文本文件导入到一个列表中，
文本文件每一行为tab分隔的浮点数，
每一个列表会被添加到dataMat中，最后返回dataMat，
该返回值是一个包含许多其他列表的列表
'''
def loadDataSet(fileName):
    dataMat = []
    fr = open(fileName)
    for line in fr.readlines():
        curLine = line.strip().split('\t')
        fltLine = list(map(float,curLine))
        dataMat.append(fltLine)
    return dataMat

'''
distEclud(vecA, vecB)函数计算两个向量的欧式距离
公式：sqrt((x1-x2)^2+(y1-y2)^2)
'''
def distEclud(vecA, vecB):
    return math.sqrt(sum(power(vecA - vecB, 2)))

'''
randCent()函数为给定数据集构建一个包含k个随机质心的集合。
随机质心必须要在整个数据集的边界之内，这可以通过找到数据集每一维的最小值和最大值来完成。
然后生成0到1.0之间的随机数并通过取值范围和最小值，以便确保随机点在数据的边界之内。
'''
def randCent(dataSet, k):
    n = shape(dataSet)[1]
    centroids = mat(zeros((k,n)))#创建存储k个质心的矩阵
    for j in range(n):#在边界范围内，随机生成k个质心
        minJ = min(dataSet[:,j]) #边界的最小值
        rangeJ = float(max(dataSet[:,j]) - minJ) #边界范围
        centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1))
    return centroids

K-Means算法：

'''
K-Means算法：

两个必选参数：
dataSet:该参数为给定的数据集，
k:该参数为簇的数目，
两个可选的参数：
distEclud:计算两个向量组之间的距离，
randCent:创建初始质心；

该算法会创建k个质心，然后将每个点分配到最近的质心，再重新计算质心。
这个过程会重复多次，知道数据点的簇分配结果不再改变为止。
'''
def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
    #确定数据集中数据点的总行数，shape()函数：查看矩阵或者数组的维数。
    m = shape(dataSet)[0] 
    
    #创建一个矩阵来存放每个点的簇分配结果，包含两列：一列是记录簇索引值，第二列是存储误差。
    #误差是指当前点到簇质心的距离，后面将使用该误差来评价聚类的效果。
    clusterAssment = mat(zeros((m,2))) 
    
    #通过功能函数randCent()随机获取K个质心，K由用户决定
    centroids = createCent(dataSet, k)
    
    #标志变量：是否需要迭代的标志。
    #初始为True，表示需要迭代，迭代的顺序为：计算质心-分配点到距离质心最短的簇中-重新计算
    #直到所有数据点的簇分配结果不再改变为止
    clusterChanged = True 
    
    #while循环：一直迭代循环计算：计算质心-分配-重新计算
    while clusterChanged:
        clusterChanged = False
        
        #计算每个点到所有质心的距离，将每个点分配到距离其最近的质心所在的簇中
        for i in range(m):
            minDist = inf;
            minIndex = -1#质心的索引
            #for循环：寻找最近的质心
            for j in range(k):
                distJI = distMeas(centroids[j,:],dataSet[i,:])#计算数据点到每个质心的距离
                if distJI < minDist:#如果该距离比最小的距离还小，则更新minDist（最小距离）和最小质心的index（索引）
                    minDist = distJI; minIndex = j
            #如果任一点的簇分配结果发生改变，则更新标志的值，表示点的分配结果还未完成，需要继续迭代计算。
            if clusterAssment[i,0] != minIndex: clusterChanged = True
            
            clusterAssment[i,:] = minIndex,minDist**2
        print("--------------------------------------------------")
        print(centroids)#打印所有质心
        
        #遍历所有质心，并更新质心的取值。
        #实现逻辑：首先通过数据过滤来获得给定簇的所有点。然后计算所有点的均值，该均值即为新的质心的坐标。
        #           axis=0表示沿矩阵的列方向进行均值计算；最后返回所有的类质心与点分配结果
        for cent in range(k):
            ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]#获取该簇中所有的点
            centroids[cent,:] = mean(ptsInClust, axis=0) #将所有点的横、纵坐标的平均值赋给质心，质心的位置改变，mean()函数就是求平均值
    #返回每个类的质心，以及该类所包含的所有的数据点
    return centroids, clusterAssment

画图：

#画图
def show(dataSet, k, centroids, clusterAssment):
    from matplotlib import pyplot as plt  
    numSamples, dim = dataSet.shape  
    mark = ['or', 'ob', 'og', 'ok', '^r', '+r', 'sr', 'dr', '<r', 'pr']  
    for i in range(numSamples):  
        markIndex = int(clusterAssment[i, 0])  
        plt.plot(dataSet[i, 0], dataSet[i, 1], mark[markIndex])  
    mark = ['Dr', 'Db', 'Dg', 'Dk', '^b', '+b', 'sb', 'db', '<b', 'pb']  
    for i in range(k):  
        plt.plot(centroids[i, 0], centroids[i, 1], mark[i], markersize = 7, color='orange')
    plt.show()

主函数运行：

def main():
    dataMat = mat(loadDataSet('testSet.txt'))
    # 指定获取四个质心
    myCentroids, clustAssing= kMeans(dataMat,4)
    #myCentroids, clustAssing = biKmeans(dataMat, 4)
    print("--------------------------------------------------")
    print("最终的质心列表：")
    print(myCentroids)
    print("--------------------------------------------------")
    show(dataMat, 4, myCentroids, clustAssing)


if __name__ == '__main__':
    main()

运行结果：

--------------------------------------------------
[[-5.13710938 4.85052553]
[-0.40251687 -4.17297056]
[-1.54664368 -2.0221005 ]
[ 1.65595671 -2.07677989]]
--------------------------------------------------
[[-2.34309583 3.0964965 ]
[-0.28093075 -3.880518 ]
[-3.34760305 -2.169022 ]
[ 2.8462177 0.2615863 ]]
--------------------------------------------------
[[-2.07649291 2.96468395]
[ 1.76785933 -3.64022167]
[-3.61853111 -2.81946867]
[ 2.90403696 1.19836232]]
--------------------------------------------------
[[-2.46154315 2.78737555]
[ 2.54173689 -3.11892933]
[-3.53973889 -2.89384326]
[ 2.71502526 2.5965363 ]]
--------------------------------------------------
[[-2.46154315 2.78737555]
[ 2.65077367 -2.79019029]
[-3.53973889 -2.89384326]
[ 2.6265299 3.10868015]]
--------------------------------------------------
最终的质心列表：
[[-2.46154315 2.78737555]
[ 2.65077367 -2.79019029]
[-3.53973889 -2.89384326]
[ 2.6265299 3.10868015]]
--------------------------------------------------

运行结果分析：

通过运行结果可以知道，这次计算总共迭代了5次，5次迭代之后才使各个簇中的数据点及其质心的位置不再改变。

其实，如果有海量的数据的话，这个算法的效率还是非常低的，所有后面就出现了一些优化K-Means算法的算法，典型的优化有：二分K-Means算法、K-Means++、ISODATA等算法，感兴趣的可以自行百度或参考其他资料。

可以看一下我的另一篇关于二分K-Means算法的简单介绍：

二分K-Means算法：https://blog.csdn.net/fu_jian_ping/article/details/88907997

傅华涛Fu

关注

0
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
K-Means：K均值聚类算法

下面通过一个案例简单介绍K-Means算法的简单流程：>>点击下面的这张图片可以看得很清楚>>通过上述案例可以比较清晰地理解K-Means算法，下面上代码：测试数据：testSet.txt，同一行的两个数据之间用tab分隔1.658985 4.285136-3.453687 3.4243214.838138 -1.15153...
复制链接

扫一扫