K-Means 算法
1.聚类算法的前世今生
k-均值(K-Means):
-
K均值法是麦奎因(MacQueen,1967年)提出的
-
这种算法的基本思想是将每一个样品分配给最近中心(均值)的类中
-
俗话说:“物以类聚,人以群分”,所谓类,通俗地说,就是指相似元素的集合。每个事物找到和自己相似的作为一类的过程就是聚类
-
聚类分析又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法,同时也是数据挖掘
的一个重要算法。
举例说明:
- 人的行为特点,动作,性格等,这些是什么——特征
- 那么我们又用什么去区分这些的呢——相似程度
聚类的意义:
-
将大规模的、纷繁复杂的数据归档为不同的类别,因为每一类的数据都是显著不同的,进而针对每一
类数据,制定不同的管理、分析方式
聚类的应用:
- 电子商务
- 社区发现
- 信用卡诈骗
- 企业信用等级划分
2.K-Means算法原理
-
什么是K-Means聚类算法
-
数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。
-
K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量V最优分类,使得**评价指*标J(目标函数)**最小
-
算法采用**误差平方和**准则函数作为聚类准则函数
-
K-Means算法过程★
算法过程如下:
(1)从数据集中随机选取K个数据作为初始质心,质心点不一定是数据集中的数据.
(2)对剩余的每个数据测量其到每个质心的距离,并把它归到最近的质心的类.
(3)计算类的每个点到质心的距离,并求平均,作为新一轮的质心.
(4)迭代2~3步直至新的质心与原质心相等(质心不变)或达到预期的迭代步骤数或误差平方和小于预期,算法结束
经验: 用k-means时,列数不要太多(7-8列最好,尽量不超过10列,最最最多不要超过20列),到最后可能总结不出来.
相似度/聚类计算方法总结
重点 : 欧式距离 和 余弦相似度
3.K-Means的优缺点
优点:
-
算法快速、简单。
-
对大数据集有较高的效率,并且是可伸缩性的。
-
时间复杂度近于线性,而且适合挖掘大规模数据集。
- K-Means聚类算法的时间复杂度是O(nkt)
- n:代表数据集中对象的数量
- t:代表着算法迭代的次数
- k:代表着簇的数目。
缺点:
-
在 K-means 算法中K是事先给定的,这个 K 值的选定是非常难以估计的。
-
在 K-means 算法中,初始聚类中心默认是随机选取的,不同的初始聚类中心,得到的聚类结果不同。
-
从 K-means 算法需要不断地进行样本分类调整,不断地计算调整后的新的聚类中心,因此当数据量非常大时,算法的时间复杂度非常大的。
4.K-Means代码实现
导入模块
from sklearn.cluster import KMeans
准备数据
feature = data[['house_lat', 'house_lng']]
调用 kmeans 类
clf = KMeans() # 准备模型
clf.fit(feature) #拟合数据
查看数据
clf.cluster_centers_ # 查看簇的中心,默认有8个类,就有8个簇心
clf.labels_ #查看样本所属的类
clf.intertia_ #误差平方和
clf.predict(data) # 预测数据
K-Means函数介绍★
KMeans(n_clusters=8,init='k-means++',n_init=10,max_iter=300,tol=0.0001,precompute_distance='auto',verbose=0.random_state=None,copy_x=True,n_jobs=1)
属性
– cluster_centers_ 得到最终那步的所有簇的中心
– labels_ 样本所属的簇
– inertia _ 用来评估簇的个数是否合适,距离越小说明簇分的越好,选取误差平方和
方法
– fit 拟合数据
– fit_predict fit + preduct 的意思
– predict 进行预测
– get_params 忘记参数了.可以使用get_params调用参数
– set_params 可以改变模型的参数
思考点:
- k是越大越好吗?
并不是,k值越大,其实数据间的内在练习越少.
- 误差平方和越小越好吗?
一定层面上是误差平方和越小也好,但是并不是由k值极限变大带来的误差平方和越小越好.
- 我们的目标是找到误差平方和变化的拐点,拐点处的k值才是我们想要的k值
K-Means参数介绍
-
n_clusters:整形,缺省值=8
- 生成的聚类数,即产生的质心(centroids)数。
-
max_iter:整形,缺省值=300
- 执行一次k-means算法所进行的最大迭代数
-
n_init:整形,缺省值=1 0
- 用不同的质心初始化值运行算法的次数,最终解是在inertia意义下选出的最优结果
-
init:有三个可选值:‘k-means++’, ‘random’,或者传递一个ndarray向量。
- 此参数指定初始化方法,默认值为 ‘k-means++
- ‘k-means++’ 用一种特殊的方法选定初始质心从而能加速迭代过程的收敛,参见 k_init 的解释获取更多信息
- ‘random’ 随机从训练数据中选取初始质心。
- 如果传递的是一个ndarray,则应该形如 (n_clusters, n_features) 并给出初始质心
-
precompute_distances:三个可选值,‘auto’,True 或者 False。
-
‘auto’</:如果 样本数乘以聚类数大于 12million 的话则不预计算距离。
- True:总是预先计算距离
- False:永远不预先计算距离。
-
tol:float形,默认值= 1e-4
- 与inertia结合来确定收敛条件
-
n_jobs:整形数
- 指定计算所用的进程数。内部原理是同时进行n_init指定次数的计算
- 若值为 -1,则用所有的CPU进行运算。若值为1,则不进行并行运算,这样的话方便调试。若值小于-1,则用到的CPU数为(n_cpus + 1 + n_jobs)。因此如果 n_jobs值为-2,则用到的CPU数为总CPU数减1。
-
random_state:整形或 numpy.RandomState 类型,可选
-
verbose:整形,默认值=0
- Verbosity mode,冗长模式
-
copy_x:布尔型,默认值=True
算。若值为1,则不进行并行运算,这样的话方便调试。若值小于-1,则用到的CPU数为(n_cpus + 1 + n_jobs)。因此如果 n_jobs值为-2,则用到的CPU数为总CPU数减1。 -
random_state:整形或 numpy.RandomState 类型,可选
-
verbose:整形,默认值=0
- Verbosity mode,冗长模式
-
copy_x:布尔型,默认值=True
- 当我们precomputing distances时,将数据中心化会得到更准确的结果。如果把此参数值设为True,则原始数据不会被改变。如果是False,则会直接在原始数据 上做修改并在函数返回值时将其还原。但是在计算过程中由于有对数据均值的加减运算,所以数据返回后,原始数据和计算前可能会有细小差别本