《机器学习实战》代码片段学习6 k均值聚类与二分k均值聚类

概述：

本章开始进入无监督学习的内容。聚类方法将相似的对象分到同一个簇中。

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都是些什么。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分类（unsupervised classification）。”

K均值聚类：“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，每一个簇通过其质心（centroid），即簇中所有点的中心来描述。”
优缺点：
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。

二分k均值算法：
使用SSE（误差平方和）来评估聚类效果。首先将所有的点视为一个簇，然后将簇一分为二，选择其中一个簇继续划分，选择簇的标准为对其进行划分能否在最大程度上降低SSE的值。如此重复下去，直到簇的数目达到用户指定的数目为止。
另一种做法是选择SSE最大的组进行划分，直到簇的数目达到用户指定的数目为止。示例代码实现的是第二种做法。

代码学习：

K均值聚类伪代码：

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
对每一个簇，计算簇中所有点的均值并将均值作为质心

加载数据函数：

def loadDataSet(fileName): 
    dataMat = [] 
    fr = open(fileName)
    for line in fr.readlines():
        curLine = line.strip().split('\t')
        #map()此处意为用float()作用于curLine每一个元素
        fltLine = map(float,curLine) #map all elements to float()
        dataMat.append(fltLine)
    return dataMat

#计算两个向量的欧氏距离
def distEclud(vecA, vecB):
    #power()此处意为对(vecA-vecB)的每个值求2次方
    return sqrt(sum(power(vecA - vecB, 2))) 

#构建包含随机k个质心的集合，参数k为包含随机质心的个数
def randCent(dataSet, k):
    n = shape(dataSet)[1]
    centroids = mat(zeros((k,n)))
    for j in range(n):
        minJ = min(dataSet[:,j]) 
        rangeJ = float(max(dataSet[:,j]) - minJ)
        #random.rand()生成k*1个在(0,1)之间的数
        centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1))
    return centroids

k均值算法

#输入参数dataSet数据集，k簇的数目，distMeas距离计算函数可选，createCent创建初始质心函数可选
def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
    m = shape(dataSet)[0]
    #clusterAssment用于记录每条数据所属簇的索引与到其的距离的平方
    clusterAssment = mat(zeros((m,2)))
    centroids = createCent(dataSet, k)
    #记录簇质心的改变情况
    clusterChanged = True
    while clusterChanged:
        clusterChanged = False
        for i in range(m):  #对每个数据点
            minDist = inf; minIndex = -1
            for j in range(k):  #对每个质心
                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):
            #获取被分配到该簇中的所有点，nonzero()返回不为0的值的索引，.A将矩阵转为数组
            ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]
            #mean()返回平均值，更新簇的质心
            centroids[cent,:] = mean(ptsInClust, axis=0)  
    return centroids, clusterAssment

二分k均值聚类算法：
伪代码：

将所有点看成一个簇
当簇数目小于k时
    对于每一个簇
        计算总误差
        在给定的簇上面进行K均值聚类（K=2）
        计算将该簇一分为二之后的总误差
    选择使得误差最小的那个簇进行划分操作

以下二分k均值聚类算法是以每次SSE最大的簇进行划分，直到达到用户给定的划分次数k的算法：

#输入参数dataSet数据集，k最大划分的簇个数，distMeans距离计算函数可选
def biKmeans(dataSet, k, distMeas=distEclud):
    m = shape(dataSet)[0]
    clusterAssment = mat(zeros((m,2)))
    #用matrix.mean求每一列特征的平均值，用ndarray.tolist将数组转为列表
    centroid0 = mean(dataSet, axis=0).tolist()[0]
    centList =[centroid0]  #新建记录簇情况的列表
    for j in range(m):
        clusterAssment[j,1] = distMeas(mat(centroid0), dataSet[j,:])**2
    while (len(centList) < k):
        lowestSSE = inf
        for i in range(len(centList)):
            #获取在当前簇里的点
            ptsInCurrCluster = dataSet[nonzero(clusterAssment[:,0].A==i)[0],:]
            #以kMeans(,2,)进行二分划分，返回两个新的质心与点到质心误差
            centroidMat, splitClustAss = kMeans(ptsInCurrCluster, 2, distMeas)
            sseSplit = sum(splitClustAss[:,1])  #划分后的sse
            sseNotSplit = sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1])  ##划分前的sse
            print "sseSplit, and notSplit: ",sseSplit,sseNotSplit
            if (sseSplit + sseNotSplit) < lowestSSE:
                bestCentToSplit = i
                bestNewCents = centroidMat
                bestClustAss = splitClustAss.copy()
                lowestSSE = sseSplit + sseNotSplit
        #更新簇的划分结果
        bestClustAss[nonzero(bestClustAss[:,0].A == 1)[0],0] = len(centList)
        bestClustAss[nonzero(bestClustAss[:,0].A == 0)[0],0] = bestCentToSplit
        print 'the bestCentToSplit is: ',bestCentToSplit
        print 'the len of bestClustAss is: ', len(bestClustAss)
        #将一个簇以决定划分的两个新簇代替
        centList[bestCentToSplit] = bestNewCents[0,:].tolist()[0]
        centList.append(bestNewCents[1,:].tolist()[0])
        #再分配新簇与sse
        clusterAssment[nonzero(clusterAssment[:,0].A == bestCentToSplit)[0],:]= bestClustAss
    return mat(centList), clusterAssment

小结

同为无监督的学习方法，，二分k均值聚类算法作为k均值聚类算法的改进，克服了k均值聚类算法诸如结果易受初始选择质心的影响的缺点，聚类效果也好于后者。除了k均值聚类算法，另外被称为层次聚类的算法也被广泛使用。