k-means算法

算法篇

k-means

k-means属于无监督学习中的聚类算法，只适用于没有标签的数据集，用来处理聚类问题，需要自己来划分预测结果。
所谓聚类问题，就是给定一个数据集D，每个样本有n个属性，使用某种算法将数据集D分为k个子集，使每个子集内部元素之间的相似度尽可能的高，使集合和集合之间的各个元素之间的相似度尽可能的低，每个子集称为一个簇。
聚类的目的：类内相似，类外相异

算法原理

1. 从数据D随机选取k个元素，作为k个簇各自的聚类中心，k个元素可以是数据中的元素也可以不是数据中的元素
2. 分别计算剩下的元素和k个聚类中心的相似度（计算距离，越近就是 相似度越高），并将其归属为最相似的簇
3. 根据聚类结果，重新划分聚类中心，并且计算距离
4. 重复2,3操作，直至满足停止条件
   停止条件为：聚类结果基本不再发生变化，或者达到一定的迭代次数

算法特点

• 需要自定义k值
• 数据如果受量纲的影响，需要对数据进行标准化，所谓量纲就是某几列特征数据差距较大
• 会受异常值的影响（如果存在异常值，通常会自成一类）
• 会收敛于局部最优（随机初始化的聚类中心，可能无法达到全局最优）
  k-means算法之前，需要考虑是否要去异常、是否要数据标准化
  衡量聚类效果：观察每个样本到各自聚类中心距离的和

算法的代码实现

from sklearn.cluster import KMeans
from sklearn.preprocessing import MaxAbsScaler  # 小数定标标准化
from sklearn.preprocessing import MinMaxScaler  # 离差标准化
from sklearn.preprocessing import StandardScaler  # 标准差标准化
# 评估指标-----轮廓系数
from sklearn.metrics import silhouetee_score

# 由于是聚类算法，数据可能存在量纲，需要标准化，在使用算法之前
# 实例化
sca = MaxAbsScaler()
sca = MinMaxScaler()
sca = StandardScaler()
# 拟合
sca.fit( 训练集特征 )
# 处理数据
X_train = sca.transform( 训练集特征 )


# 实例化
km = KMeans()
# 参数：
# n_clusters=3，表示k=3，也就是随机三个聚类中心，最小值是2
# init，聚类中心初始化方法，默认k-means++
# max_iter，最大迭代次数，默认300，如果后期无法收敛可以尝试增加迭代次数
# random_state=1，随机种子，默认是None

# 拟合
km.fit( 训练集特征 )

# 查看聚类中心
print('聚类中心：', km.cluster_centers_)

# 查看预测结果
# 可以直接传入训练集，也可以传入自定义二维数组
y_pred = km.predict( 训练集特征 )
print('整个数据的类别：', y_pred)

# 查看SSE---误差平方和
# 默认是取反操作，大多数情况得出来的是负值【-inf, 0】
# 绝对值越小越好
score = km.score(X_train, y_pred)
print('SSE', score)

# 评估指标----轮廓系数(-1, 1)，越大越好
print('轮廓系数：', silhouetee_score(X_train, y_pred))

k-means获取最优k值的方法

手肘法

计算不同k值的SSE，绘制图像，选择图像拐点的k值相对是比较好的，由于图像画出来类似于手肘，所以叫手肘法，选取手肘拐点即可。手肘法选取的就是相对较好的点，也就相当于一个折中效果，使预测结果不会太差，防止过拟合现象的发生。

获取最优轮廓系数

如果想要最优的点，还是要选取最高的点。
设置不同的k值进行测试计算轮廓系数，就能得到最优的k值对应的最优的轮廓系数，也可以绘图进行观察，选取最高。但是为了防止过拟合的现象，也可以通过手肘进行选取最优k值