本章内容:
1. K-均值聚类算法。
2. 对聚类得到的簇进行后处理。
3. 二分K-均值聚类算法。
4. 对地理位置进行聚类。
========================================================================
K-聚类算法是一种无监督学习算法。首先明白什么是无监督学习:输入数据有标签,则为有监督学习,没标签则为无监督学习。可以参考这个知乎的链接:什么是无监督学习?
聚类就是一种无监督的学习,它将相似的对象归到同一个簇中,有点像全自动分类。聚类方法几乎可以应用于所有对象。簇内的对象越相似,聚类的效果越好。本章要学习一种称为 K-means 聚类的算法。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:分类的目标事先已知,而聚类则不一样。因为其产生的结果与分类相同,而只是类别没有预先定义,聚类有时也被称为无监督学习( unsupervised classification )。
===========================================================================================
10.1 K-均值聚类算法
优点:容易实现。
缺点:可能收敛到局部最小值,在大规模数据集上收敛较慢。
适用数据类型:数值型数据。
k-均值伪代码:
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类结果发生改变时
对数据集中的每一个数据点
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
对每一个簇,计算簇中所有点的均值并将均值作为质心
# -*- coding:utf-8 -*-
# kMeans.py
from numpy import *
# 将文本文件导入到一个列表中
def loadDataSet(fileName):
dataMat = []
fr = open(fileName)
for line in fr.readlines():
curLine = line.strip().split('\t') # 以 tab 分割浮点数
fltLine = map(float, curLine)
dataMat.append(fltLine) # append() 方法用于在列表末尾添加新的对象,这里是 dataMat
return dataMat
def distEclud(vecA, vecB): # 欧拉距离
return sqrt(sum(power(vecA - vecB, 2)))
# 给定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))) # 调用 mat() 函数可以将数组转化为矩阵
for j in range(n): # 构建簇质心
minJ = min(dataSet[:,j])
rangeJ = float(max(dataSet[:,j]) - minJ)
centroids[:,j] = minJ + rangeJ * random.rand(k,1)
return centroids
# -*- coding:utf-8 -*-
# run_kMeans.py
import kMeans
from numpy import *
datMat = mat(kMeans.loadDataSet('testSet.txt')) # 从文本文件中构建矩阵
print min(datMat[:,0])
print min(datMat[:,1])
print max(datMat[:,1])
print max(datMat[:,0])
print kMeans.randCent(datMat, 2)# 给定数据集构建一个包含 2 个随机质心的集合
print kMeans.distEclud(datMat[0], datMat[1])
然后运行结果:
运行了两次,看得出来随机数结果是不同的。
现在准备实现完整的 k-均值 算法。该算法创建 k 个质心,然后将每个点分配到最近的质心,再重新计算质心。这个过程重复多次,直到数据点的簇分配结果不再改变为止。
在 kMeans.py 里面输入下面的代码。
# 接受四个输入参数,只有数据集和簇的数目是必选参数,用来计算距离和创建初始质心的函数都是可选的
def kMeans(dataSet, k, distMeas = distEclud, createCent = randCent):
m = shape(dataSet)[0]
clusterAssment = mat(zeros((m,2)))
centroids = createCent(dataSet, k)
clusterChanged = True
while clusterChanged:
clusterChanged = False
for i in range(m):
minDist = inf; minIndex = -1
for j in range(k): # 寻找最近的质心
distJI = distMeas(centroids[j,:], dataSet[i,:])
if distJI < minDist:
minDist = distJI; minIndex = j
if clusterAssment[i,0] != minIndex: clusterChanged = True # True 表示可以继续迭代
clusterAssment[i,:] = minIndex,minDist ** 2
print centroids
for cent in range(k):
ptsInClust = dataSet[nonzero(clusterAssment[:,0].A == cent)[0]]
centroids[cent,:] = mean(ptsInClust, axis = 0)
return centroids, clusterAssment # 更新质心的位置
遍历所有质心并且更新的具体步骤是:首先通过数组过滤来获得给定簇的所有点;然后计算所有点的均值,选项 axis = 0 表示沿举证的列方向进行均值计算;最后,程序返回所有的类质心与点分配结果。
运行里面添加:
print'\n***************************************\n'
reload(kMeans)
datMat = mat(kMeans.loadDataSet('testSet.txt'))
print 'myCentroids, clustAssing = kMeans.kMeans(datMat, 4)'
myCentroids, clustAssing = kMeans.kMeans(datMat, 4)
print myCentroids, clustAssing
不知道为什么出来的是一长串结果,这里就不贴了。