机器学习实战--笔记8(kmeans)

       前面的7次笔记介绍的都是分类问题，本次开始介绍聚类问题。分类和聚类的区别在于前者属于监督学习算法，已知样本的标签；后者属于无监督的学习，不知道样本的标签。下面我们来讲解最常用的kmeans算法。

1：kmeans算法

       算法过程：Kmeans中文称为k-均值，步骤为：(1)它事先选定k个聚类中心，(2)然后看每个样本点距离那个聚类中心最近，则该样本就属于该聚类中心。(3)求每个聚类中心的样本的均值来替换该聚类中心(更新聚类中心)。(4)不断迭代(2)和(3), 直到收敛。

       复杂度：Kmeans算法的时间复杂度为O(m*n*k*d)，其中m为样本的个数，n为维数，k为迭代的次数，d为聚类中心的个数。空间复杂度为O(m*n)。

       Costfunction: kmeans聚类是使得SSE(sum of squared error)达到最小，SSE公式表示为：

由于SSE为非凸函数，因此每次聚类并不一定能使SSE达到全局最小值，只能使其达到局部最优解。但是可以重复执行几次kmeans,选取SSE最小的一次作为最终的聚类结果。

2:python代码的实现  

[python] view plain copy

print ?

1. from numpy import *  
2. #加载数据  
3. def loadDataSet(fileName):  
4.     dataMat = []  
5.     fr = open(fileName)  
6.     for line in fr.readlines():  
7.         curLine = line.strip().split(’\t’)  
8.         fltLine = map(float, curLine)    #变成float类型  
9.         dataMat.append(fltLine)  
10.     return dataMat  
11.   
12. # 计算欧几里得距离  
13. def distEclud(vecA, vecB):  
14.     return sqrt(sum(power(vecA - vecB, 2)))  
15.   
16. #构建聚簇中心  
17. def randCent(dataSet, k):  
18.     n = shape(dataSet)[1]  
19.     centroids = mat(zeros((k,n)))  
20.     for j in range(n):  
21.         minJ = min(dataSet[:,j])  
22.         maxJ = max(dataSet[:,j])  
23.         rangeJ = float(maxJ - minJ)  
24.         centroids[:,j] = minJ + rangeJ * random.rand(k, 1)  
25.     return centroids  
26.   
27. #k-means 聚类算法  
28. def kMeans(dataSet, k, distMeans =distEclud, createCent = randCent):  
29.     m = shape(dataSet)[0]  
30.     clusterAssment = mat(zeros((m,2)))    #用于存放该样本属于哪类及质心距离  
31.     centroids = createCent(dataSet, k)  
32.     clusterChanged = True  
33.     while clusterChanged:  
34.         clusterChanged = False;  
35.         for i in range(m):  
36.             minDist = inf; minIndex = -1;  
37.             for j in range(k):  
38.                 distJI = distMeans(centroids[j,:], dataSet[i,:])  
39.                 if distJI < minDist:  
40.                     minDist = distJI; minIndex = j  
41.             if clusterAssment[i,0] != minIndex: clusterChanged = True;  
42.             clusterAssment[i,:] = minIndex,minDist**2  
43.         print centroids  
44.         for cent in range(k):  
45.             ptsInClust = dataSet[nonzero(clusterAssment[:,0].A == cent)[0]]   # 去第一列等于cent的所有列  
46.             centroids[cent,:] = mean(ptsInClust, axis = 0)  
47.     return centroids, clusterAssment  

from numpy import *

加载数据

def loadDataSet(fileName):
dataMat = []
fr = open(fileName)
for line in fr.readlines():
curLine = line.strip().split('\t')
fltLine = map(float, curLine) #变成float类型
dataMat.append(fltLine)
return dataMat

计算欧几里得距离

def distEclud(vecA, vecB):
return sqrt(sum(power(vecA - vecB, 2)))

构建聚簇中心

def randCent(dataSet, k):
n = shape(dataSet)[1]
centroids = mat(zeros((k,n)))
for j in range(n):
minJ = min(dataSet[:,j])
maxJ = max(dataSet[:,j])
rangeJ = float(maxJ - minJ)
centroids[:,j] = minJ + rangeJ * random.rand(k, 1)
return centroids

k-means 聚类算法

def kMeans(dataSet, k, distMeans =distEclud, createCent = randCent):
m = shape(dataSet)[0]
clusterAssment = mat(zeros((m,2))) #用于存放该样本属于哪类及质心距离
centroids = createCent(dataSet, k)
clusterChanged = True
while clusterChanged:
clusterChanged = False;
for i in range(m):
minDist = inf; minIndex = -1;
for j in range(k):
distJI = distMeans(centroids[j,:], dataSet[i,:])
if distJI < minDist:
minDist = distJI; minIndex = j
if clusterAssment[i,0] != minIndex: clusterChanged = True;
clusterAssment[i,:] = minIndex,minDist**2
print centroids
for cent in range(k):
ptsInClust = dataSet[nonzero(clusterAssment[:,0].A == cent)[0]] # 去第一列等于cent的所有列
centroids[cent,:] = mean(ptsInClust, axis = 0)
return centroids, clusterAssment

注意：度量聚类效果的指标是SSE(Sum of Squared Error, 误差平方和)，即属于同一聚类中心的所有样本点到该聚类中心的距离和。通常有以下两种后处理的方法来提高算法的聚类性能。

(1)   将具有最大SSE值的簇划分成两个簇。

(2)   合并最近的质心或者合并两个使得SSE增幅最小的质心。

3：二分k-均值算法

为了克服k-均值算法收敛于局部最小值的问题，有人提出了另外一种称为二分k-均值的算法。该算法首先将所有点作为一个簇，然后将该簇一分为二。之后选择其中一个簇继续进行划分，选择哪一个簇进行划分有两种方法。(1)该划分是否可以最大程度地降低SSE的值。(2)选择SSE最大的簇进行划分。划分过程不断重复，直到簇的数目达到用户指定数目为止。

[python] view plain copy

print ?

1. #2分kMeans算法    #两种方法：(1)是否可以最大程度的降低SSE的值   (2)选择SSE最大的簇进行划分  
2. def bitKmeans(dataSet, k, distMeas=distEclud):  
3.     m = shape(dataSet)[0]  
4.     clusterAssment = mat(zeros((m,2)))  
5.     centroid0 = mean(dataSet, axis=0).tolist()[0]  
6.     centList =[centroid0]   
7.     for j in range(m):  
8.         clusterAssment[j,1] = distMeas(mat(centroid0), dataSet[j,:])**2  
9.     while (len(centList) < k):  
10.         lowestSSE = inf             #无穷大  
11.         for i in range(len(centList)):  
12.             ptsInCurrCluster = dataSet[nonzero(clusterAssment[:,0].A==i)[0],:]  
13.             centroidMat, splitClustAss = kMeans(ptsInCurrCluster, 2, distMeas)  
14.             sseSplit = sum(splitClustAss[:,1])  
15.             sseNotSplit = sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1])  
16.             print “sseSplit, and notSplit: ”,sseSplit,sseNotSplit  
17.             if (sseSplit + sseNotSplit) < lowestSSE:  
18.                 bestCentToSplit = i  
19.                 bestNewCents = centroidMat  
20.                 bestClustAss = splitClustAss.copy()  
21.                 lowestSSE = sseSplit + sseNotSplit  
22.         bestClustAss[nonzero(bestClustAss[:,0].A == 1)[0],0] = len(centList)          #二分后标签更新  
23.         bestClustAss[nonzero(bestClustAss[:,0].A == 0)[0],0] = bestCentToSplit  
24.         print ‘the bestCentToSplit is: ’,bestCentToSplit  
25.         print ‘the len of bestClustAss is: ’, len(bestClustAss)  
26.         centList[bestCentToSplit] = bestNewCents[0,:].tolist()[0]           #加入聚类中心  
27.         centList.append(bestNewCents[1,:].tolist()[0])  
28.         clusterAssment[nonzero(clusterAssment[:,0].A == bestCentToSplit)[0],:]= bestClustAss      #更新SSE的值(sum of squared errors)  
29.     return mat(centList), clusterAssment  

#2分kMeans算法    #两种方法：(1)是否可以最大程度的降低SSE的值   (2)选择SSE最大的簇进行划分 

def bitKmeans(dataSet, k, distMeas=distEclud): 

    m = shape(dataSet)[0] 

    clusterAssment = mat(zeros((m,2))) 

    centroid0 = mean(dataSet, axis=0).tolist()[0] 

    centList =[centroid0]  

    for j in range(m): 

        clusterAssment[j,1] = distMeas(mat(centroid0), dataSet[j,:])**2 

    while (len(centList) < k): 

        lowestSSE = inf             #无穷大 

        for i in range(len(centList)): 

            ptsInCurrCluster = dataSet[nonzero(clusterAssment[:,0].A==i)[0],:] 

            centroidMat, splitClustAss = kMeans(ptsInCurrCluster, 2, distMeas) 

            sseSplit = sum(splitClustAss[:,1]) 

            sseNotSplit = sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1]) 

            print "sseSplit, and notSplit: ",sseSplit,sseNotSplit 

            if (sseSplit + sseNotSplit) < lowestSSE: 

                bestCentToSplit = i 

                bestNewCents = centroidMat 

                bestClustAss = splitClustAss.copy() 

                lowestSSE = sseSplit + sseNotSplit 

        bestClustAss[nonzero(bestClustAss[:,0].A == 1)[0],0] = len(centList)          #二分后标签更新 

        bestClustAss[nonzero(bestClustAss[:,0].A == 0)[0],0] = bestCentToSplit 

        print 'the bestCentToSplit is: ',bestCentToSplit 

        print 'the len of bestClustAss is: ', len(bestClustAss) 

        centList[bestCentToSplit] = bestNewCents[0,:].tolist()[0]           #加入聚类中心 

        centList.append(bestNewCents[1,:].tolist()[0]) 

        clusterAssment[nonzero(clusterAssment[:,0].A == bestCentToSplit)[0],:]= bestClustAss      #更新SSE的值(sum of squared errors) 

    return mat(centList), clusterAssment

此外：还有层次聚类算法和密度聚类算法

层次聚类算法有两种，一种是凝聚的聚类算法，另外一种是层次的聚类算法

密度聚类算法用的比较少，这里不做详细讲解

DBSCAN是一个比较有代表性的密度聚类算法。