本章内容:
- K-均值聚类算法
- 对聚类得到的簇进行后处理
- 二分K-均值聚类算法
- 对地理位置进行聚类
聚类是一种无监督的学习,将相似的对象归入同一个簇内。K-均值(K-means)聚类算法之所以称为K-均值是因为它可以发现k个不同的簇,且每个簇的中心采用簇中所含值的均值计算而成。
聚类与分类的最大不同在于,分类的目标实现已知,而聚类则不一样。因为其产生的结果和分类相同,而只是类别没有预先定义,聚类有时候也被称为无监督分类(unsupervised classification)。
为了解决简单的K-均值算法的缺陷,可通过后处理来产生更好的簇。一个更有效的改进是二分K-均值(bisecting k-means)的聚类算法。
一、K-均值聚类算法
K-均值是发现给定数据集的k个簇的算法。簇个数k时用户给定的,每个簇通过其质心(centroid),即簇中所有点的中心来描述。
K-均值算法的工作流程,首先,随机确定k个初始点作为质心。然后将数据集中的每个点分配到一个簇中,具体来讲,为每个点找距其最近的质心,并将其分配给该质心所对应的簇。这一步完成之后,每个簇的质心更新为该簇所有点的平均值。K-均值算法的伪代码如下:
创建k个点作为起始质心(经常是随机选择)
当任意一个点的簇分配结果发生改变时
对数据集中的每个数据点
对每个质心
计算质心与数据点之间的距离
将数据点分配到距其最近的簇
对每个簇,计算簇中所有点的均值并将均值作为质心
“最近”质心意味着需要进行某种距离计算,可以选择任意距离度量方法。
# coding=utf-8
from numpy import *
def loadDataSet(fileName) :
dataMat = []
fr = open(fileName)
for line in fr.readlines() :
curLine = line.strip().split('\t')
fltLine = map(float, curLine)
dataMat.append(fltLine)
return dataMat
# 计算两个向量的欧式距离
def distEclud(vecA, vecB) :
return sqrt(sum(power(vecA - vecB, 2)))
# 为给定的数据集构建一个包含k个随机质心的集合
def randCent(dataSet, k) :
n = shape(dataSet)[1]
centroids = mat(zeros((k,n)))
# 构建簇质心
for j in range(n) :
# 每一维的最小值
minJ = min(dataSet[:, j])
# 每一维的最大值最小值之差
rangeJ = float(max(dataSet[:,j]) - minJ)
# random.rand(i,j),生成一个i行j列的数组,其中每个元素都0-1之间的随机数
centroids[:,j] = minJ + rangeJ * random.rand(k,1)
return centroids
>>> import ml.kMeans as kMeans
>>> from n