K-means聚类算法介绍与利用python实现的代码示例

最新推荐文章于 2024-04-29 18:16:07 发布

贝猫说python

最新推荐文章于 2024-04-29 18:16:07 发布

阅读量1.7k

点赞数

分类专栏： K-Means

K-Means 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

K-means聚类算法介绍与利用python实现的代码示例

更新时间：2017年11月13日 09:50:05 作者：ahu-lichang 我要评论

scrolling="no" src="https://pos.baidu.com/s?hei=60&wid=700&di=u3431600&ltu=https%3A%2F%2Fwww.jb51.net%2Farticle%2F128055.htm&ant=0&ps=835x397&chi=1&cfv=0&tcn=1536370111&pis=-1x-1&cja=false&psr=1920x1080&dc=3&dai=2&tpr=1536370111217&exps=111000&prot=2&dtm=HTML_POST&ccd=24&pcs=1845x959&cpl=1&cec=GBK&col=en-US&ti=K-means%E8%81%9A%E7%B1%BB%E7%AE%97%E6%B3%95%E4%BB%8B%E7%BB%8D%E4%B8%8E%E5%88%A9%E7%94%A8python%E5%AE%9E%E7%8E%B0%E7%9A%84%E4%BB%A3%E7%A0%81%E7%A4%BA%E4%BE%8B_python_%E8%84%9A%E6%9C%AC%E4%B9%8B%E5%AE%B6&tlm=1536370111&dri=0&par=1855x1056&ltr=https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3D_5fOqfxgc-BQWSLqDG_EtY1vQjpDa5qcsT02MB7ia2qWuGXO-_2GQ6JPyzk81KR9fhBmtvs-jTkOlIrom2DF3_%26wd%3D%26eqid%3D92456a910003d575000000045b932597&cmi=2&cce=true&cdo=-1&drs=1&pss=1845x9471&ari=2&dis=0" width="700" height="60">

    <div class="art_desc mt10"><div id="art_demo">K-means聚类算法（事先数据并没有类别之分！所有的数据都是一样的）是我们大家应该都听过的一种算法，下面这篇文章主要给大家介绍了关于K-means聚类算法的基础知识与利用python如何实现该算法的相关资料，需要的朋友可以参考借鉴，下面来一起看看吧。</div></div>
    <div class="lbd clearfix"><a href="http://www.php.cn/course.html?ad51" target="_blank"><img src="//files.jb51.net/image/phpcn.png" width="690" height="99"></a>

聚类

今天说K-means聚类算法，但是必须要先理解聚类和分类的区别，很多业务人员在日常分析时候不是很严谨，混为一谈，其实二者有本质的区别。

分类其实是从特定的数据中挖掘模式，作出判断的过程。比如Gmail邮箱里有垃圾邮件分类器，一开始的时候可能什么都不过滤，在日常使用过程中，我人工对于每一封邮件点选“垃圾”或“不是垃圾”，过一段时间，Gmail就体现出一定的智能，能够自动过滤掉一些垃圾邮件了。这是因为在点选的过程中，其实是给每一条邮件打了一个“标签”，这个标签只有两个值，要么是“垃圾”，要么“不是垃圾”，Gmail就会不断研究哪些特点的邮件是垃圾，哪些特点的不是垃圾，形成一些判别的模式，这样当一封信的邮件到来，就可以自动把邮件分到“垃圾”和“不是垃圾”这两个我们人工设定的分类的其中一个。

聚类的的目的也是把数据分类，但是事先我是不知道如何去分的，完全是算法自己来判断各条数据之间的相似性，相似的就放在一起。在聚类的结论出来之前，我完全不知道每一类有什么特点，一定要根据聚类的结果通过人的经验来分析，看看聚成的这一类大概有什么特点。

1、概述

k-means是一种非常常见的聚类算法，在处理聚类任务中经常使用。K-means算法是集简单和经典于一身的基于距离的聚类算法

采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。

该算法认为类簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

2、核心思想

通过迭代寻找k个类簇的一种划分方案，使得用这k个类簇的均值来代表相应各类样本时所得的总体误差最小。

k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。

k-means算法的基础是最小误差平方和准则,

其代价函数是：

式中，μc(i)表示第i个聚类的均值。

各类簇内的样本越相似，其与该类均值间的误差平方越小，对所有类所得到的误差平方求和，即可验证分为k类时，各聚类是否是最优的。

上式的代价函数无法用解析的方法最小化，只能有迭代的方法。

3、算法步骤图解

下图展示了对n个样本点进行K-means聚类的效果，这里k取2。

4、算法实现步骤

k-means算法是将样本聚类成 k个簇（cluster），其中k是用户给定的，其求解过程非常直观简单，具体算法描述如下：

1)随机选取 k个聚类质心点

2)重复下面过程直到收敛 {

对于每一个样例 i，计算其应该属于的类：

对于每一个类 j，重新计算该类的质心：

}

其伪代码如下：

******************************************************************************

创建k个点作为初始的质心点（随机选择）

当任意一个点的簇分配结果发生改变时

对数据集中的每一个数据点

对每一个质心

计算质心与数据点的距离

将数据点分配到距离最近的簇

对每一个簇，计算簇中所有点的均值，并将均值作为质心

********************************************************

5、K-means聚类算法python实战

需求：

对给定的数据集进行聚类

本案例采用二维数据集，共80个样本，有4个类。

 
          #!/usr/bin/python 
         
          # coding=utf-8 
         
          from 
          numpy  
          import 
          * 
         
          # 加载数据 
         
          def 
          loadDataSet(fileName):  
          # 解析文件，按tab分割字段，得到一个浮点数字类型的矩阵 
         
          dataMat  
          = 
          []        
          # 文件的最后一个字段是类别标签 
         
          fr  
          = 
          open 
          (fileName) 
         
          for 
          line  
          in 
          fr.readlines(): 
         
          curLine  
          = 
          line.strip().split( 
          '\t' 
          ) 
         
          fltLine  
          = 
          map 
          ( 
          float 
          , curLine)   
          # 将每个元素转成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 
          )))  
          # 求两个向量之间的距离 
         
          # 构建聚簇中心，取k个(此例中为4)随机质心 
         
          def 
          randCent(dataSet, k): 
         
          n  
          = 
          shape(dataSet)[ 
          1 
          ] 
         
          centroids  
          = 
          mat(zeros((k,n)))   
          # 每个质心有n个坐标值，总共要k个质心 
         
          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 
         
          # clusterAssment第一列存放该数据所属的中心点，第二列是该数据到中心点的距离 
         
          centroids  
          = 
          createCent(dataSet, k) 
         
          clusterChanged  
          = 
          True  
          # 用来判断聚类是否已经收敛 
         
          while 
          clusterChanged: 
         
          clusterChanged  
          = 
          False 
          ; 
         
          for 
          i  
          in 
          range 
          (m):  
          # 把每一个数据点划分到离它最近的中心点 
         
          minDist  
          = 
          inf; minIndex  
          = 
          - 
          1 
          ; 
         
          for 
          j  
          in 
          range 
          (k): 
         
          distJI  
          = 
          distMeans(centroids[j,:], dataSet[i,:]) 
         
          if 
          distJI < minDist: 
         
          minDist  
          = 
          distJI; minIndex  
          = 
          j  
          # 如果第i个数据点到第j个中心点更近，则将i归属为j 
         
          if 
          clusterAssment[i, 
          0 
          ] ! 
          = 
          minIndex: clusterChanged  
          = 
          True 
          ;  
          # 如果分配发生变化，则需要继续迭代 
         
          clusterAssment[i,:]  
          = 
          minIndex,minDist 
          * 
          * 
          2  
          # 并将第i个数据点的分配情况存入字典 
         
          print 
          centroids 
         
          for 
          cent  
          in 
          range 
          (k):   
          # 重新计算中心点 
         
          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 
          )  
          # 算出这些数据的中心点 
         
          return 
          centroids, clusterAssment 
         
          # --------------------测试---------------------------------------------------- 
         
          # 用测试数据及测试kmeans算法 
         
          datMat  
          = 
          mat(loadDataSet( 
          'testSet.txt' 
          )) 
         
          myCentroids,clustAssing  
          = 
          kMeans(datMat, 
          4 
          ) 
         
          print 
          myCentroids 
         
          print 
          clustAssing

运行结果：

6、K-means算法补充

K-means算法的缺点及改进方法

（1）k值的选择是用户指定的，不同的k得到的结果会有挺大的不同，如下图所示，左边是k=3的结果，这个就太稀疏了，蓝色的那个簇其实是可以再划分成两个簇的。而右图是k=5的结果，可以看到红色菱形和蓝色菱形这两个簇应该是可以合并成一个簇的：

改进：

对k的选择可以先用一些算法分析数据的分布，如重心和密度等，然后选择合适的k

（2）对k个初始质心的选择比较敏感，容易陷入局部最小值。例如，我们上面的算法运行的时候，有可能会得到不同的结果，如下面这两种情况。K-means也是收敛了，只是收敛到了局部最小值：

改进：

有人提出了另一个成为二分k均值（bisecting k-means）算法，它对初始的k个质心的选择就不太敏感

（3）存在局限性，如下面这种非球状的数据分布就搞不定了：

（4）数据集比较大的时候，收敛会比较慢。

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对脚本之家的支持。

        <div class="art_xg">

您可能感兴趣的文章:

    <p>原文链接：https://www.cnblogs.com/ahu-lichang/p/7161613.html</p><div class="jb51ewm"><div class="fl"><img src="//files.jb51.net/skin/2018/images/jb51ewm.png"></div><div class="fr"><p>微信公众号搜索 “ <span>脚本之家</span> ” ，选择关注</p><p>程序猿的那些事、送书等活动等着你</p></div></div></div><!--endmain-->

scrolling="no" src="https://pos.baidu.com/s?hei=260&wid=700&di=u3196581&ltu=https%3A%2F%2Fwww.jb51.net%2Farticle%2F128055.htm&ccd=24&exps=111000&ant=0&tpr=1536370111217&cja=false&drs=1&dai=3&ps=7952x397&tcn=1536370111&cce=true&col=en-US&prot=2&cfv=0&dc=3&pcs=1845x959&ltr=https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3D_5fOqfxgc-BQWSLqDG_EtY1vQjpDa5qcsT02MB7ia2qWuGXO-_2GQ6JPyzk81KR9fhBmtvs-jTkOlIrom2DF3_%26wd%3D%26eqid%3D92456a910003d575000000045b932597&pss=1845x9531&par=1855x1056&ari=2&cmi=2&tlm=1536370111&pis=-1x-1&cpl=1&dri=0&ti=K-means%E8%81%9A%E7%B1%BB%E7%AE%97%E6%B3%95%E4%BB%8B%E7%BB%8D%E4%B8%8E%E5%88%A9%E7%94%A8python%E5%AE%9E%E7%8E%B0%E7%9A%84%E4%BB%A3%E7%A0%81%E7%A4%BA%E4%BE%8B_python_%E8%84%9A%E6%9C%AC%E4%B9%8B%E5%AE%B6&chi=1&cdo=-1&cec=GBK&dtm=HTML_POST&dis=0&psr=1920x1080" width="700" height="260">

scrolling="no" src="https://pos.baidu.com/s?hei=120&wid=700&di=u3183442&ltu=https%3A%2F%2Fwww.jb51.net%2Farticle%2F128055.htm&dis=0&psr=1920x1080&col=en-US&pss=1845x9791&tcn=1536370111&ccd=24&cfv=0&ant=0&ps=8288x397&pis=-1x-1&tpr=1536370111217&par=1855x1056&dc=3&cec=GBK&tlm=1536370111&pcs=1845x959&cmi=2&dai=4&ltr=https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3D_5fOqfxgc-BQWSLqDG_EtY1vQjpDa5qcsT02MB7ia2qWuGXO-_2GQ6JPyzk81KR9fhBmtvs-jTkOlIrom2DF3_%26wd%3D%26eqid%3D92456a910003d575000000045b932597&drs=1&dtm=HTML_POST&prot=2&exps=119007&cdo=-1&chi=1&ti=K-means%E8%81%9A%E7%B1%BB%E7%AE%97%E6%B3%95%E4%BB%8B%E7%BB%8D%E4%B8%8E%E5%88%A9%E7%94%A8python%E5%AE%9E%E7%8E%B0%E7%9A%84%E4%BB%A3%E7%A0%81%E7%A4%BA%E4%BE%8B_python_%E8%84%9A%E6%9C%AC%E4%B9%8B%E5%AE%B6&cce=true&dri=0&cja=false&ari=2&cpl=1" width="700" height="120">
对TensorFlow中的variables_to_restore函数详解

今天小编就为大家分享一篇对TensorFlow中的variables_to_restore函数详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2018-07-07
python之virtualenv的简单使用方法(必看篇)

下面小编就为大家分享一python之virtualenv的简单使用方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2017-11-11
bpython 功能强大的Python shell

bpython是一个不错的Python解释器的界面，本文带着大家了解认识一下bpython，感兴趣的小伙伴们可以参考一下
2016-02-02
python基础教程之常用运算符

这篇文章主要介绍了python基础教程之常用运算符,包含数学运算符、用于判断的运算符、逻辑运算符等,需要的朋友可以参考下
2014-08-08
详解Python中的变量及其命名和打印

这篇文章主要介绍了Python中的变量及其命名和打印,是Python入门学习中的基础知识,需要的朋友可以参考下
2016-03-03
基于Linux系统中python matplotlib画图的中文显示问题的解决方法

下面小编就为大家带来一篇基于Linux系统中python matplotlib画图的中文显示问题的解决方法。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧
2017-06-06
HTML中使用python屏蔽一些基本功能的方法

这篇文章主要介绍了HTML中使用python屏蔽一些基本功能的方法,需要的朋友可以参考下
2017-07-07
举例详解Python中的split()函数的使用方法

这篇文章主要介绍了举例详解Python中的split()函数的使用方法,split()函数的使用是Python学习当中的基础知识,通常用于将字符串切片并转换为列表,需要的朋友可以参考下
2015-04-04
python读写ini文件示例(python读写文件)

项目用到数据库，多个地方使用，不能硬编码。ython支持ini文件的读取，就在项目中使用了ini文件，下面是示例
2014-03-03
tensorflow实现softma识别MNIST

这篇文章主要为大家详细介绍了tensorflow实现softma识别MNIST，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2018-03-03

scrolling="no" src="//pos.baidu.com/s?hei=260&wid=700&di=u3197160&ltu=https%3A%2F%2Fwww.jb51.net%2Farticle%2F128055.htm&pis=-1x-1&ltr=https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3D_5fOqfxgc-BQWSLqDG_EtY1vQjpDa5qcsT02MB7ia2qWuGXO-_2GQ6JPyzk81KR9fhBmtvs-jTkOlIrom2DF3_%26wd%3D%26eqid%3D92456a910003d575000000045b932597&col=en-US&pcs=1845x959&chi=1&tcn=1536370111&dai=5&cdo=-1&psr=1920x1080&dri=0&exps=119017&cfv=0&dtm=HTML_POST&ps=9693x397&ari=2&cpl=1&cce=true&tpr=1536370111217&tlm=1536370111&dc=3&cmi=2&cja=false&ti=K-means%E8%81%9A%E7%B1%BB%E7%AE%97%E6%B3%95%E4%BB%8B%E7%BB%8D%E4%B8%8E%E5%88%A9%E7%94%A8python%E5%AE%9E%E7%8E%B0%E7%9A%84%E4%BB%A3%E7%A0%81%E7%A4%BA%E4%BE%8B_python_%E8%84%9A%E6%9C%AC%E4%B9%8B%E5%AE%B6&cec=GBK&dis=0&ant=0&par=1855x1056&prot=2&drs=1&ccd=24&pss=1845x9911" width="700" height="260">