一、实验目的及要求:
(1)掌握 k-Means 算法模型的实现过程及基本方法。
(2)掌握 k-Means 算法的实现。
二、实验内容:
(1)选择合理的数据集。
(2)数据预处理。
(3) k-Means 算法模型设计。
三、设备要求
(1) PC 一台。
(2) Python 或 C++或 JAVA 编程软件。
四、算法描述
1、K-Means算法原理
K-Means算法思想:对给定的样本集,事先确定聚类簇数K,让簇内的样本尽可能紧密分布在一起,使簇间的距离尽可能大。该算法试图使集群数据分为n组独立数据样本,使n组集群间的方差相等,数学描述为最小化惯性或集群内的平方和。K-Means作为无监督的聚类算法,实现较简单,聚类效果好,因此被广泛使用。
2、K-Means步骤及流程
2.1、算法流程
输入:样本集D,簇的数目k,最大迭代次数N;
输出:簇划分(k个簇,使平方误差最小);
算法步骤:
(1)为每个聚类选择一个初始聚类中心;
(2)将样本集按照最小距离原则分配到最邻近聚类;
(3)使用每个聚类的样本均值更新聚类中心;
(4)重复步骤(2)、(3),直到聚类中心不再发生变化;
(5)输出最终的聚类中心和k个簇划分;
2.2、流程框图
2.3、算法过程
五、实验结果分析
1、实验设置
利用Jupyter Notebook编写python语言进行k-Means算法分析。
2、实验数据
采用西瓜数据集4.0:
图1、实验部分数据
3、数据处理
将文本文件中的西瓜数据集4.0的数据读取进来。
图2、读取数据
4、实验结果与分析
(1)、在这里我们令k=3,迭代次数依次为100,500,1000次,然后根据图像来观察聚类效果,如图3、4、5所示:
图中相同颜色的点表示划分为同一个簇,红色的“+”号代表最终的均值向量,标题上标注了迭代的次数。
图3、迭代100次
图4、迭代500次
图5、迭代1000次
(2)、实验结果分析
从上图中可以看出,数据集被分为了三个簇,图中的加号为最终的聚类中心即质心。当选择K值为3后,更改迭代次数对聚类结果的影响不是很明显,可见k的取值十分关键,对不同数据集,k选择没有参考性,需要大量实验。
七、实验总结
通过本次数据挖掘的K-means聚类算法实验,了解了k-means算法的实现过程及基本方法。
k-means算法的优点为原理易懂、易于实现,当簇间的区别较明显时,聚类效果较好。缺点为当样本集规模大时,收敛速度会变慢;对孤立点数据敏感,少量噪声就会对平均值造成较大影响;k的取值十分关键,对不同数据集,k选择没有参考性,需要大量实验。