Python 2.7
IDE Pycharm 5.0.3
numpy 1.11.0
matplotlib 1.5.1
前言
从程序上读懂每一行,才是了解算法的开始。
什么是K-means?
一句话:一堆数据我也不知道是啥玩意的(无标签)的扔给你,你给我分一下,哪一堆属于一类。这就是聚类!
Knn VS K-means
knn表现的是有监督情况下,也就是我都知道标签了,载扔进去一个没有带标签的,根据特性(特征),你给我判断出来,这个属于哪一类,就像分类匹配一样。
K-means表现的是无监督情况下,我不知道标签,我只有数据集,那么从那么大一堆数据集中,我需要找出"规律”,也就是数据挖掘的一部分了,哪一些数据属于同一个类(虽然我并不知道这个类叫什么,whatever),
来张图可能清楚点。左边的是knn,主要用于未知点的分类,右图是k-means,主要用于聚类(当然也可以用来对未知点的聚类判断)
knn&k-means
还是不理解分类和聚类请看我在知乎上的回答@徐凯--聚类与分类有什么区别?
数据形式
ok,还是老样子的txt格式,数据的清洗和读取必不可少,至于怎么将txt写入矩阵,请参考(大)数据处理:从txt到数据可视化或者以下代码注释
数据形式
展示以下大概是这样的,虽然,我们一看就能知道,簇中心也就是聚类中心大概的位置,但是机器并不知道,怎么计算出聚类中心,这就是k-means干的活了!
kmean
k-means算法流程
具体的k-means原理不再累述,很详细的请见
深入浅出K-Means算法
我这里用自己的话概括下
随机选k个点作为初代的聚类中心点
计算其余各点到这些聚类中心点的"距离’,并选择距离自己最近的聚类点作为自己的类,给自己打上标签
属于同一簇的一群点进行取质心运算,计算新的簇中心
重复2~3,直到簇中心不再改变
代码--K-means基础
# -*- coding: utf-8 -*-
import math
from numpy import *
#C:\\Users\\MrLevo\\Desktop\\machine_learning_in_action\\Ch10\\testSet.txt
#载入数据,清洗数据保存为矩阵形式
def loadDataSet(filename):
fr = open(filename)
lines = fr.readlines()
dataMat = []
for line in lines:
result = line.strip().split('\t')
fltline = map(float,result)
dataMat.append(fltline)
return dataMat
#向量计算距离
def distEclud(vecA,vecB):
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] # 计算列数
centroids = mat(zeros((k,n)))
for j in range(n):
minJ = min(dataSet[:,j]) #取每列最小值
rangeJ = float(max(dataSet[:,j])-minJ)
centroids[:,j] = minJ + rangeJ*random.rand(k,1) # random.rand(k,1)构建k行一列,每行代表二维的质心坐标
#random.rand(2,1)#产生两行一列0~1随机数
return centroids
#minJ + rangeJ*random.rand(k,1)自动扩充阵进行匹配,实现不同维数矩阵相加,列需相同
#一切都是对象
def kMeans(dataSet,k,distMeas = distEclud,creatCent = randCent):
m = shape(dataSet)[0] # 行数
clusterAssment = mat(zeros((m,2))) # 建立簇分配结果矩阵,第一列存索引,第二列存误差
centroids = creatCent(dataSet,k) #聚类点
clusterChanged = True
while clusterChanged:
clusterChanged = False
for i in range(m):
minDist = inf # 无穷大
minIndex = -1 #初始化
for j in range(k):
distJI = distMeas(centroids[j,:],dataSet[i,:]) # 计算各点与新的聚类中心的距离
if distJI < minDist: # 存储最小值,存储最小值所在位置
minDist = distJI
minIndex = j
if clusterAssment[i,0] != minIndex:
clusterChanged = True
clusterAssment[i,:] = minIndex,minDist**2
print centroids
for cent in range(k):
ptsInClust = dataSet[nonzero(clusterAssment[:,0].A== cent)[0]]
# nonzeros(a==k)返回数组a中值不为k的元素的下标
#print type(ptsInClust)
'''
#上式理解不了可见下面的,效果一样
#方法二把同一类点抓出来
ptsInClust=[]
for j in range(m):
if clusterAssment[j,0]==cent:
ptsInClust.append(dataSet[j].tolist()[0])
ptsInClust = mat(ptsInClust)
#tolist http://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.tolist.html
'''
centroids[cent,:] = mean(ptsInClust,axis=0) # 沿矩阵列方向进行均值计算,重新计算质心
return centroids,clusterAssment
dataMat =mat(loadDataSet('C:\\Users\\MrLevo\\Desktop\\machine_learning_in_action\\Ch10\\testSet.txt'))
myCentroids,clustAssing = kMeans(dataMat,4)
IDE上输出
[[ 0.44698578 3.66996803]
[ 4.4566098 1.69900322]
[-1.54424114 3.58626959]
[ 4.44813429 1.63720788]]
...
[[-2.46154315 2.78737555]
[ 2.6265299 3.10868015]
[-3.53973889 -2.89384326]
[ 2.65077367 -2.79019029]]
#四个聚类中心坐标如上,从图中可以看出,大概是这么个情况
设定不同k值,它会怎么聚类呢
以下是不同k的时候聚类情况
kmeans
K-means出现的问题
收敛于局部最小,而不是全局最小,因为刚开始的聚类中心是随机给定的,所以搞不好就陷入局部最小了,而度量聚类效果的指标是误差平方和SSE,误差越大,簇的效果越不好,解决这个问题的方法之一就是二分K-means
什么是二分K-means
简单的说,就是将所有点先看成一个簇,然后簇一分为二,依次选择其中的一个簇继续划分,选择哪一个簇进行划分取决于对其划分是否可以最大程度降低SSE的值。
实现过程
bikmeans流程
二分K-means代码
在原有代码基础上,添加biKmeans函数
# 构建二分k-均值聚类
def biKmeans(dataSet, k, distMeas=distEclud):
m = shape(dataSet)[0]
clusterAssment = mat(zeros((m,2))) # 初始化,簇点都为0
centroid0 = mean(dataSet, axis=0).tolist()[0] # 起始第一个聚类点,即所有点的质心
centList =[centroid0] # 质心存在一个列表中
for j in range(m):#calc initial Error
clusterAssment[j,1] = distMeas(mat(centroid0), dataSet[j,:])**2
# 计算各点与簇的距离,均方误差,大家都为簇0的群
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
# 找出归为一类簇的点的集合,之后再进行二分,在其中的簇的群下再划分簇
#第一次循环时,i=0,相当于,一整个数据集都是属于0簇,取了全部的dataSet数据
centroidMat, splitClustAss = kMeans(ptsInCurrCluster, 2, distMeas)
#开始正常的一次二分簇点
#splitClustAss,类似于[0 2.3243]之类的,第一列是簇类,第二列是簇内点到簇点的误差
sseSplit = sum(splitClustAss[:,1]) # 再分后的误差和
sseNotSplit = sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1]) # 没分之前的误差
print "sseSplit: ",sseSplit
print "sseNotSplit: ",sseNotSplit
#至于第一次运行为什么出现seeNoSplit=0的情况,因为nonzero(clusterAssment[:,0].A!=i)[0]不存在,第一次的时候都属于编号为0的簇
if (sseSplit + sseNotSplit) < lowestSSE:
bestCentToSplit = i
bestNewCents = centroidMat
bestClustAss = splitClustAss.copy()
lowestSSE = sseSplit + sseNotSplit
# copy用法http://www.cnblogs.com/BeginMan/p/3197649.html
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
#至于nonzero(bestClustAss[:,0].A == 1)[0]其中的==1这簇点,由kMeans产生
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
效果如上图流程的第三幅可见,所以要讲的都写在注释上了,好好读代码,才是理解算法的唯一道路,光知道算法咋回事,自己重构不出,以后还是会忘的。
附录-matplotlib画图代码
# -*- coding: utf-8 -*-
from numpy import *
import matplotlib.pyplot as plt
import kMeans as km
#注意导入自己的Kmeans的py文件
data3 = mat(km.loadDataSet('C:\\Users\\MrLevo\\Desktop\\machine_learning_in_action\\Ch10\\testSet2.txt'))
centList,myNewAssments =km.biKmeans(data3,3)
###################创建图表2####################
plt.figure(2) #创建图表2
ax3 = plt.subplot() # 图表2中创建子图1
plt.title("biK-means Scatter")
plt.xlabel('x')
plt.ylabel('y')
ax3.scatter(data3[:,0],data3[:,1],color='b',marker='o',s=100)
ax3.scatter(centList[:,0],centList[:,1],color='r',marker='o',s=200,label='Cluster & K=3')
#显示label位置的函数
ax3.legend(loc='upper right')
plt.show()
核心语句解析
ptsInClust = dataSet[nonzero(clusterAssment[:,0].A== cent)[0]]
nonzeros(a)返回数组a中值不为零的元素的下标,它的返回值是一个长度为a.ndim(数组a的轴数)的元组,元组的每个元素都是一个整数数组,其值为非零元素的下标在对应轴上的值。
举例如下
>>> b1 = np.array([True, False, True, False])
>>> np.nonzero(b1)
(array([0, 2]),)
>>> b2 = np.array([[True, False, True], [True, False, False]])
>>> np.nonzero(b2)
(array([0, 0, 1]), array([0, 2, 0]))
再来个例子补充下
>>> a = np.arange(3*4*5).reshape(3,4,5)
>>> a[b2]
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14],
[20, 21, 22, 23, 24]])
>>> a[np.nonzero(b2)]
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14],
[20, 21, 22, 23, 24]]))
也就是说,找到True的条件,返回索引,ok,这就够用来解释那句话的了,因为返回的是array形式的,所以需要再对应的取值,具体的可以看源代码的解释语句,我还另外的写了个实现一样功能的代码片段,注释起来了,实现的是同样的算法,希望理解结构的时候能帮到你
ptsInClust=[]
for j in range(m):
if clusterAssment[j,0]==cent:
ptsInClust.append(dataSet[j].tolist()[0])
ptsInClust = mat(ptsInClust)
#tolist用法 http://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.tolist.html
致谢