本节为吴恩达教授机器学习课程笔记第九部分,K均值聚类算法,包括k均值聚类算法的算法原理与python实现。
在聚类问题中,给定一个训练集
{
x
(
1
)
,
.
.
.
,
x
(
m
)
}
\{x^{(1)},...,x^{(m)}\}
{x(1),...,x(m)},我们想将数据组织成几个紧密联系的簇。也就是说,给出
x
(
i
)
x^{(i)}
x(i),我们不再需要标签数据,也就是说,这种情况下的聚类问题是无监督学习问题,
k
k
k均值聚类算法的步骤如下:
在上面的算法中,
k
k
k表示我们希望找到的聚类的数目,聚类形心
μ
j
\mu_j
μj代表我们当前对聚类中心的位置的一个猜测/算法初始化时,我们随机选择
k
k
k个训练样本作为初始聚类中心【其他的初始化方法也可以】;算法的循环步骤执行两步操作:第一步将每一个样本都依附在离它最近的形心上,第二步改变形心的位置为所有依附于它的样本的均值。算法执行步骤如下图所示:
k
k
k均值聚类算法在某种意义下是可以保证收敛的,定义一个损失函数:
J
J
J度量了每个样本到聚类中心的欧式距离,也就表明
k
k
k均值算法迭代的过程实际上是对
J
J
J的坐标下降过程。算法的内循环首先保持聚类中心不变然后最小化
J
J
J,然后保持附属关系不变继续最小化
J
J
J,因此
J
J
J必然单调下降,并且最终会收敛。
这里损失函数是一个非凸函数,所以坐标下降法并不能保证算法收敛到全局最优。为了降低算法收敛到局部最优解,我们可以多跑几遍算法,每次算法选择不同的随机聚类中心。
算法的python实现如下
import numpy as np
import matplotlib.pyplot as plt
# 加载数据
def loadDataSet(fileName):
data = np.loadtxt(fileName,delimiter='\t')
return data
# 欧氏距离计算
def distEclud(x,y):
return np.sqrt(np.sum((x-y)**2)) # 计算欧氏距离
# 为给定数据集构建一个包含K个随机质心的集合
def randCent(dataSet,k):
m,n = dataSet.shape
centroids = np.zeros((k,n))
for i in range(k):
index = int(np.random.uniform(0,m)) #
centroids[i,:] = dataSet[index,:]
return centroids
# k均值聚类
def KMeans(dataSet,k):
m = np.shape(dataSet)[0] #行的数目
# 第一列存样本属于哪一簇
# 第二列存样本的到簇的中心点的误差
clusterAssment = np.mat(np.zeros((m,2)))
clusterChange = True
# 第1步 初始化centroids
centroids = randCent(dataSet,k)
while clusterChange:
clusterChange = False
# 遍历所有的样本(行数)
for i in range(m):
minDist = 100000.0
minIndex = -1
# 遍历所有的质心
#第2步 找出最近的质心
for j in range(k):
# 计算该样本到质心的欧式距离
distance = distEclud(centroids[j,:],dataSet[i,:])
if distance < minDist:
minDist = distance
minIndex = j
# 第 3 步:更新每一行样本所属的簇
if clusterAssment[i,0] != minIndex:
clusterChange = True
clusterAssment[i,:] = minIndex,minDist**2
#第 4 步:更新质心
for j in range(k):
pointsInCluster = dataSet[np.nonzero(clusterAssment[:,0].A == j)[0]] # 获取簇类所有的点
centroids[j,:] = np.mean(pointsInCluster,axis=0) # 对矩阵的行求均值
print("Congratulations,cluster complete!")
return centroids,clusterAssment
def showCluster(dataSet,k,centroids,clusterAssment):
m,n = dataSet.shape
if n != 2:
print("数据不是二维的")
return 1
mark = ['or', 'ob', 'og', 'ok', '^r', '+r', 'sr', 'dr', '<r', 'pr']
if k > len(mark):
print("k值太大了")
return 1
# 绘制所有的样本
for i in range(m):
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']
# 绘制质心
for i in range(k):
plt.plot(centroids[i,0],centroids[i,1],mark[i])
plt.show()
dataSet = loadDataSet("test.txt")
k = 4
centroids,clusterAssment = KMeans(dataSet,k)
showCluster(dataSet,k,centroids,clusterAssment)
欢迎扫描二维码关注微信公众号 深度学习与数学 [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读,算法和其他互联网技能的学习,概率论、线性代数等高等数学知识的回顾]