机器学习： k-means聚类对数据进行预分类

k-means聚类

非监督学习

把数据划分为k个类别
-知道类别个数
-不知道类别个数 超参数

k = 3

步骤：

1、随机在数据中抽取3个样本，当做3个类别的中心点(k1, k2, k3)
2、计算其余的点分别到这三个中心点的距离，
每一个样本有3个距离(a, b, c)
从中选出举例最近的一个点作为自己的标记，行成3个族群
3、分别计算这3个族群的平均值，把3个平均值与之前的3个旧中心点进行比较
4、如果相同结束聚类，如果不同，把这3个平均值当做新的中心点重复第2步

聚类评估标准

轮廓系数
计算公式
$$s{c}_i=\frac{b_i-a_i}{max(b_i,a_i)}$$
对于每个点i 为已聚类数据中的样本，
$b_i$为i 到其他族群的所有样本的距离最小值
$a_i$为i 到本身族群的距离平均值
最终计算出所有样本点的轮廓系数平均值

极端：
$b_i>>a_i$ ，$s{c}_i=1$ 完美
$a_i>>b_i$ ，$s{c}_i=-1$ 最差
轮廓系数取值[-1, 1]

总结

采用迭代算法，直观易懂并且非常实用

缺点：容易收敛到局部最优解（多次聚类）
聚类，用在分类之前

代码示例

# -*- coding: utf-8 -*-

from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt


# 生成数据
X, y = make_blobs(n_samples=200, centers=3, n_features=5, random_state=0)

# k-means聚类
km = KMeans(n_clusters=3)
km.fit(X)
y_predict = km.predict(X)

# 评估聚类效果
print(silhouette_score(X, y_predict))
# 0.72

# 绘制聚类结果图
color = ["red", "green", "blue"]
colors = [color[i] for i in y_predict]

plt.figure()
plt.scatter(X[:, 1], X[:, 2], color=colors)
plt.savefig("a.png")