二分平均值聚类 java_二分K-均值聚类算法

#K-means聚类

from numpy import *

importmatplotlib.pyplot as plt

plt.ion()#开启交互模式，实时绘制

plt.subplots()

plt.xlim(-6, 6)

plt.ylim(-6, 6)#plt.pause(5)

defloadDataSet(fileName):

dataMat=[]

fr=open(fileName)for line infr.readlines():

curLine= line.strip().split('\t')

fltLine=list(map(float,curLine))

dataMat.append(fltLine)returndataMatdefdistEclud(vecA, vecB):#print("vecA:",vecA,"vecB:",vecB)

return sqrt(sum(power(vecA-vecB, 2))) #欧式距离

#给定数据集构建一个包含k个随机质心的集合#该函数为给定数据集构建一个包含k个随机质心的集合#集合中的值位于min合max之间

defrandCent(dataSet, k):

n= shape(dataSet)[1]

centroids=mat(zeros((k,n)))for j inrange(n):

minJ=min(dataSet[:,j])

rangeJ= float(max(dataSet[:,j]) -minJ)

centroids[:,j]= minJ + rangeJ*random.rand(k,1)returncentroids'''k-均值聚类算法:

该算法会创建k个质心，然后将每个点分配到最近的质心。这个过程重复数次，直到数据点的簇分配结果不再改变为止。

这个接口的缺点是：质心是随机初始化的，虽然最后会通过划分后的点加均值函数重新计算,但质心没有真正的进行最优化收敛

k均值算法收敛(kMeans函数)到了局部最小值，而非全局最小值

一种用于度量聚类效果的指标是SSE(Sum of Squared Error，误差平方和)，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，因此更加重视那些远离中心的点，一种肯定可以降低SSE值的方法是怎加簇的个数，

但这违背了聚类的目标。聚类的目标是在保持簇数目不变的情况下提高簇的质量。'''

def kMeans(dataSet, k, distMeans=distEclud, createCent=randCent):

m=shape(dataSet)[0]

clusterAssment= mat(zeros((m, 2))) #记录每个样本点到质心的最小距离，及最小距离质心的索引

centroids =createCent(dataSet, k)

centroids_mean_before=centroids

plt_scatter(dataSet,centroids,clusterAssment)

clusterChanged=TruewhileclusterChanged:

clusterChanged=Falsefor i in range(m): #样本数据按行遍历

minDist = inf; minIndex = -1 #inf 表示正无穷

for j in range(k): #遍历质心,寻找最近质心

distJI = distMeans(centroids[j,:], dataSet[i,:]) #计算i点到j质心的距离

if distJI

minDist= distJI; minIndex=j #计算出每个样本数据最近的质心点与距离

if clusterAssment[i,0] != minIndex: clusterChanged =True

clusterAssment[i,:]= minIndex,minDist**2plt_scatter(dataSet,centroids_mean_before,clusterAssment)for cent in range(k): #遍历所有的质心并更新它们的取值

ptsInClust = dataSet[nonzero(clusterAssment[:,0].A ==cent)[0]]

centroids[cent,:]= mean(ptsInClust, axis=0)

centroids_mean_before=centroids

plt_scatter(dataSet,centroids,clusterAssment)returncentroids, clusterAssment#二分K-均值算法

'''为了克服k-均值算法收敛于局部最小值的问题，有人提出了另一个称为二分K-均值的算法。

二分k-均值：首先将所有点作为一个簇，然后将该簇一分为二。之后选择其中一个簇继续进行划分，

选择哪个簇继续划分取决于对其划分是否可以最大程度降低SSE的值。上述基于SSE的划分过程不断重复，

直到得到用户指定的簇数目为止。'''

def biKmeans(dataSet, k, distMeas=distEclud):

m=shape(dataSet)[0]

clusterAssment= mat(zeros((m,2))) #创建一个m*2的零矩阵

#print('clusterAssment:',clusterAssment)

centroid0 = mean(dataSet, axis=0).tolist()[0] #tolist() 把mat转为list

centList =[centroid0]

plt_scatter(dataSet, mat(centList), clusterAssment)#print('centList:', centList)

for j inrange(m):

clusterAssment[j,1] = distMeas(mat(centroid0), dataSet[j,:])**2 #记录每个点到质心的距离的平方

#print('clusterAssment:',clusterAssment)

while (len(centList)

lowestSSE= inf #正无穷

for i inrange(len(centList)):#以clusterAssment中第一列索引为i的行为索引，找到这些索引对应dataSet的的值返回。通俗讲 就是找出第i个质心关联的点

ptsInCurrCluster = dataSet[nonzero(clusterAssment[:,0].A==i)[0],:]

centroidMat,splitClustAss= kMeans(ptsInCurrCluster, 2, distMeas)

sseSplit= sum(splitClustAss[:,1])

sseNotSplit= sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1]) #求划分前其余(除i质心之外的)质心的sse值

print("sseSplit, and notSplit:",sseSplit, sseNotSplit)if (sseSplit + sseNotSplit)

bestCentToSplit=i

bestNewCents=centroidMat

bestClustAss=splitClustAss.copy()

lowestSSE= sseSplit + sseNotSplit #所有质心(被分割的质心加没被分割的质心)距离的平方

#更新bestClustAss簇的分配结果

bestClustAss[nonzero(bestClustAss[:,0].A == 1)[0],0] =len(centList)

bestClustAss[nonzero(bestClustAss[:,0].A== 0)[0],0] =bestCentToSplitprint("the bestCentToSplit is:",bestCentToSplit)print("the len of bestClustAss is:", len(bestClustAss))#将bestCentTosplit(最适合分割的质心点)，替换为分割后的第0个质心点，分割后生成的另一个质心点通过 append方法添加

centList[bestCentToSplit] = bestNewCents[0,:].tolist()[0] #python3修改

centList.append(bestNewCents[1,:].tolist()[0])#将被分割的质心cluter索引和最小距离平方(minDist**2) 重新赋值

clusterAssment[nonzero(clusterAssment[:,0].A == bestCentToSplit)[0],:] =bestClustAss

plt_scatter(dataSet, mat(centList), clusterAssment)returnmat(centList),clusterAssment#绘图接口

defplt_scatter(datMat,datCent,cluster):

plt.clf()#清空画布

plt.xlim(-6, 6) #因为清空了画布，所以要重新设置坐标轴的范围

plt.ylim(-6, 6)

m=shape(datMat)[0]

n=shape(datCent)[0]

ms=['^','v','o','s','p','','1','2','3'] #数据点形状

cs=['r','g','b','y','m','c','k','r','g','b'] #数据点的颜色

for i inrange(m):

k=int(cluster[i,0])

plt.scatter(datMat[i,0],datMat[i,1],c=cs[k],marker=ms[k],alpha=0.5)for j inrange(n):

plt.scatter(datCent[j,0],datCent[j,1],c=cs[j],marker='x',alpha=1.0)

plt.pause(0.3)if __name__ == '__main__':

datMat= mat(loadDataSet('testSet.txt'))#myCentroids,clusterAssing = kMeans(datMat, 4)

#plt_scatter(datMat,myCentroids,clusterAssing)

centList,myNewAssments=biKmeans(datMat,4)

plt_scatter(datMat,centList,myNewAssments)

plt.ioff()

plt.show()