机器学习实战一书 kMeans 代码
伪代码:
创建k个点作为起始聚类中心
当任意一个点的簇分配结果发生改变时
对数据集中的每个数据点
对每个聚类中心
计算当前聚类中心与数据点之间的距离
将数据点分配到最近距离的中心点簇
对每一个簇,计算簇中所有点的均值作为中心点
数据
import matplotlib.pyplot as plt
import numpy as np
datMat = np.random.random((100, 2))
距离函数
def distEclud(vecA, vecB):
return np.sqrt(np.sum(np.power(vecA - vecB, 2)))
#初始聚类中心
聚类中心坐标范围应为数据样本的最小值到最大值之间
def randCent(dataSet, k):
# 得到数据样本的维度,即列数
n = np.shape(dataSet)[1]
# 初始化为一个(k,n)的全零矩阵
centroids = np.mat(np.zeros((k, n)))
# 遍历数据集的每一个维度
for j in range(n):
# 得到该列数据的最小值,最大值
minJ = np.min(dataSet[:, j])
maxJ = np.max(dataSet[:, j])
# 得到该列数据的范围(最大值-最小值)
rangeJ = float(maxJ - minJ)
# k个质心向量的第j维数据值随机为位于(最小值,最大值)内的某一值
# Create an array of the given shape and populate it with random samples from a uniform distribution over [0, 1).
centroids[:, j] = minJ + rangeJ * np.random.rand(k, 1)
# 返回初始化得到的k个质心向量
return centroids
聚类算法实现
def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
# 获取数据集样本数
m = np.shape(dataSet)[0]
# 初始化一个(m,2)全零矩阵
clusterAssment = np.mat(np.zeros((m, 2)))#用于存储每个样本的类别,和到聚类中心的最小距离
# 创建初始的k个质心向量初始聚类中心
centroids = createCent(dataSet, k)
# 聚类结果是否发生变化的布尔类型
clusterChanged = True
# 只要聚类结果一直发生变化,就一直执行聚类算法,直至所有数据点聚类结果不发生变化
while clusterChanged:
# 聚类结果变化布尔类型置为False
clusterChanged = False
# 遍历数据集每一个样本向量
for i in range(m):
# 初始化最小距离为正无穷,最小距离对应的索引为-1
minDist = float('inf')
minIndex = -1
# 循环k个类的质心
for j in range(k):
# 计算数据点到质心的欧氏距离
distJI = distMeas(centroids[j, :], dataSet[i, :])
# 如果距离小于当前最小距离
if distJI < minDist:
# 当前距离为最小距离,最小距离对应索引应为j(第j个类)
minDist = distJI
minIndex = j
# 当前聚类结果中第i个样本的聚类结果发生变化:布尔值置为True,继续聚类算法clusterAssment存储的是类别和距离,如果后来的类别和先一轮得到的类别不一样,则执行
if clusterAssment[i, 0] != minIndex:
clusterChanged = True
# 更新当前变化样本的聚类结果和平方误差
clusterAssment[i, :] = minIndex, minDist ** 2
# 遍历每一个质心
for cent in range(k):
# 将数据集中所有属于当前质心类的样本通过条件过滤筛选出来
ptsInClust = dataSet[np.nonzero(clusterAssment[:, 0].A == cent)[0]]
# 计算这些数据的均值(axis=0:求列均值),作为该类质心向量
centroids[cent, :] = np.mean(ptsInClust, axis=0)
# 返回k个聚类,聚类结果及误差
return centroids, clusterAssment
#结果绘图
def plotData():
# 导入数据
datMat = np.random.random((100, 2))
# 进行k-means算法其中k为3
myCentroids, clustAssing = kMeans(datMat, 3)
clustAssing = clustAssing.tolist()
myCentroids = myCentroids.tolist()
xcord = [[], [], [], []]
ycord = [[], [], [], []]
datMat = datMat.tolist()
m = len(clustAssing)
for i in range(m):
if int(clustAssing[i][0]) == 0:
xcord[0].append(datMat[i][0])
ycord[0].append(datMat[i][1])
elif int(clustAssing[i][0]) == 1:
xcord[1].append(datMat[i][0])
ycord[1].append(datMat[i][1])
elif int(clustAssing[i][0]) == 2:
xcord[2].append(datMat[i][0])
ycord[2].append(datMat[i][1])
fig = plt.figure()
ax = fig.add_subplot(111)
# 绘制样本点
ax.scatter(xcord[0], ycord[0], s=30, c='b', marker='*', alpha=.5)
ax.scatter(xcord[1], ycord[1], s=30, c='r', marker='D', alpha=.5)
ax.scatter(xcord[2], ycord[2], s=30, c='c', marker='>', alpha=.5)
# 绘制质心
ax.scatter(myCentroids[0][0], myCentroids[0][1], s=100, c='k', marker='+', alpha=.5)
ax.scatter(myCentroids[1][0], myCentroids[1][1], s=100, c='k', marker='+', alpha=.5)
ax.scatter(myCentroids[2][0], myCentroids[2][1], s=100, c='k', marker='+', alpha=.5)
plt.title('shuju kmeans')
plt.xlabel('X')
plt.show()
if __name__ == '__main__':
plotData()