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