在无监督学习中,类似分类和回归中的目标变量是事先不存在的。这里要回答的问题是从数据X中能发现什么?比如构成X的最佳6个数据簇都是哪些?或则X中哪三个特征出现的最频繁?
聚类是一种无监督学习,它将相似的对象归到同一个簇中。有点像全自动分类。簇内对象越相似,聚类效果越好。
K-均值聚类算法,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。
先讨论一下 簇识别。簇识别给出聚类结果的含义。假定有一些数据,现在将相似数据归到一起,簇识别会告诉我们这些簇到底是些什么。
下面会构建K-均值方法并观察其效果,还会讨论一些缺陷,为了解决其中的一些缺陷,可以通过后来处理产生很好的簇。接着会给出一个更好的二分k-均值的聚类算法。
1. 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是用户给定的,每一个簇通过质心,即簇中所有点的中心来描述。
首先,随机确定k个起始点为质心。然后将数据集中的每个点分配到一个簇中,具体来讲,为每个点找到距其最近的质心,并将其分配给该质心所对应的簇。这一步完成后,每个簇的质心更新为该簇所有点的平均值。
伪代码:
下面给出K-均值算法的代码实现:
from numpy import *
def loadDataSet(filename):
dataMat = []
fr = open(filename)
for line in fr.readlines():
curLine = line.strip().split('\t')
fltLine = list(map(float, curLine))
#print(fltLine)
dataMat.append(fltLine)
return dataMat #返回一个包含许多列表的列表,容易将很多值封装到矩阵中
# 使用欧式距离计算两个向量的距离
def distEclud(vecA, vecB):
# 数组元素求平方
return sqrt(sum(power(vecA - vecB, 2))) #la.norm(vecA-vecB)
# 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)))
for j in range(n):
'''
随机质心必须要整个数据集的边界之内
找到每个维的最大值和最小值,求出范围
然后生成0到1.0之间的随机数并通过最小值和取值范围,以便确保随机点在数据边界之内
'''
minJ = min(dataSet[:,j])
rangeJ = float(max(dataSet[:,j]) - minJ)
centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1)) # 随机样本位于0到1中
return centroids
首先观察矩阵中的最大值与最小值
然后看看randCent()函数能否生成min到max之间的值:从下图观察是可以的。
再测试一下距离的计算方法:
所有的支持函数都可以正常运行。就可以开始实现k-均值算法了,该算法会创建k个质心,然后将每个点分配到距离最近的质心,再重新计算质心,重复数次,直到数据点的簇分配结果不再改变为止。
def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
'''
输入四个参数:数据集 k是必选参数,计算距离参数和创建初始质心参数是可选的
'''
m = shape(dataSet)[0] # 数据集样本点数
# 簇分配结果矩阵 一列记录簇索引值 一列存储误差:指当前点到簇质心的距离
clusterAssment = mat(zeros((m,2)))
centroids = createCent(dataSet, k) # 创建k个质心
clusterChanged = True # 标志变量,值为true就继续迭代
while clusterChanged:
clusterChanged = False
for i in range(m):#for each data point assign it to the closest centroid
minDist = inf; minIndex = -1
for j in range(k):
distJI = distMeas(centroids[j,:],dataSet[i,:])
if distJI < minDist:
minDist = distJI; minIndex = j
if clusterAssment[i,0] != minIndex: clusterChanged = True
clusterAssment[i,:] = minIndex,minDist**2
print (centroids)
for cent in range(k):#recalculate centroids
ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]#get all the point in this cluster
centroids[cent,:] = mean(ptsInClust, axis=0) # 沿矩阵列方向计算均值
return centroids, clusterAssment
导入数据集运行结果如下:
上面结果给出了四个质心,可以看到经过3次迭代之后算法收敛。
2. 使用后处理来提高聚类性能
图10-2的聚类结果,这是一个三个簇的数据集在运行了k均值算法之后的结果,但是点的簇分配结果并没有那么准确。k均值聚类算法比较差的原因是算法收敛到了局部最小值,而不是全局最小值。
一种度量聚类效果的指标是SSE(sum of squared error, 误差平方和),对应上面程序中clusterAssment矩阵的第一列之和。SSE值越小表示数据点越接近于它们的质心,聚类效果也就越好。因为对误差取了平方,所以更重视那些远离中心的点。
那么该怎么对10-2的结果进行改进?可以对生成的簇进行后处理,一种方法是将具有最大SSE值的簇划分成两个簇。具体实现时可以将最大簇包含的点过滤出来并在这些点上面进行k-均值算法,k=2。
为了保持簇总数不变,可以将某两个簇合并。从图中可以很明显的看出,要对下面两个出错的簇进行合并,但是我们这是在二维可视化的结果进行分析的,如果是四十维的数据应该如何处理?
有两种解决方法:合并最近的质心,或者合并两个使得SSE增幅最小的质心。第一种思路计算所有质心之间的距离,然后合并最近的两个点来实现;第二种方法需要合并两个簇然后计算总的SSE值。必须在所有可能的两个簇上重复上述的过程,直到找到合并最佳的两个簇为止。
3. 二分K-均值算法
为了克服k-均值算法收敛到局部最小值的问题,有人提出了另一个称为二分k-均值的算法。该算法首先将所有点作为一个簇,然后将簇一分为二。之后选择其中一个簇继续划分,选择哪一个簇进行划分取决于是否可以最大程度降低SSE的值。上述的划分福偶成不断重复,直到得到用户指定的簇数目为止。
另一种做法是选择SSE最大的簇进行划分,直到簇数目达到用户的指定数目,下面来实现以下实际效果:
def biKmeans(dataSet, k, distMeas=distEclud):
m = shape(dataSet)[0]
clusterAssment = mat(zeros((m,2))) # 存放分配结果及平方误差
centroid0 = mean(dataSet, axis=0).tolist()[0]
centList =[centroid0] #列表 存放整个数据集的质心
for j in range(m):# 遍历数据集中所有的点来计算每个点到质心的误差值
clusterAssment[j,1] = distMeas(mat(centroid0), dataSet[j,:])**2
while (len(centList) < k):
lowestSSE = inf
for i in range(len(centList)):
ptsInCurrCluster = dataSet[nonzero(clusterAssment[:,0].A==i)[0],:]#get the data points currently in cluster i
centroidMat, splitClustAss = kMeans(ptsInCurrCluster, 2, distMeas)
sseSplit = sum(splitClustAss[:,1])#compare the SSE to the currrent minimum
sseNotSplit = sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1])
print ("sseSplit, and notSplit: ",sseSplit,sseNotSplit)
if (sseSplit + sseNotSplit) < lowestSSE:
bestCentToSplit = i
bestNewCents = centroidMat
bestClustAss = splitClustAss.copy()
lowestSSE = sseSplit + sseNotSplit
bestClustAss[nonzero(bestClustAss[:,0].A == 1)[0],0] = len(centList) #change 1 to 3,4, or whatever
bestClustAss[nonzero(bestClustAss[:,0].A == 0)[0],0] = bestCentToSplit
print ('the bestCentToSplit is: ',bestCentToSplit)
print ('the len of bestClustAss is: ', len(bestClustAss))
centList[bestCentToSplit] = bestNewCents[0,:].tolist()[0]#replace a centroid with two best centroids
centList.append(bestNewCents[1,:].tolist()[0])
clusterAssment[nonzero(clusterAssment[:,0].A == bestCentToSplit)[0],:]= bestClustAss#reassign new clusters, and SSE
return mat(centList), clusterAssment
运行结果:
质心:
上述函数可以运行多次,聚类会收敛到全局最小值,而原始的kMeans()会陷入局部最小值。