聚类结果不好怎么办_机器学习 聚类算法

应用：客户价值判断模型RFM（Recency Frequency Monetary）常常和聚类算法一起使用，聚类可以用于降维和矢量化（vector quantization），可以将高维特征压缩到一列当中，常常用于图像、声音、视频等非结构化数据，可以大幅压缩数据量

聚类vs分类

一、手写Kmeans算法

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline

#导入数据集
iris = pd.read_csv('iris.txt',header = None)
iris.head()
iris.shape #(150,5)

#构建距离的计算公式（注意量纲的统一）

def distEclud(arrA,arrB):
        """
    函数功能：计算两个数据集之间的欧式距离
    输入：两个array数据集
    返回：两个数据集之间的欧氏距离（此处用距离平方和代替距离）
    """
    d = arrA-arrB
    distance = np.sum(np.power(d,2),axis = 1)
    return distance

#定义随机投放质心的函数

def randCent(dataSet, k):
        """
    函数功能：随机生成k个质心
    参数说明：
     dataSet:包含标签的数据集
     k：簇的个数
    返回：
     data_cent：K个质心
    """
    n = dataSet.shape[1]
    data_min = dataSet.iloc[:, :n-1].min()
    data_max = dataSet.iloc[:, :n-1].max()
    data_cent = np.random.uniform(data_min,data_max,(k, n-1))
    return data_cent

#定义K-means聚类函数

def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
        """
    函数功能：k-均值聚类算法
    参数说明：
     dataSet：带标签数据集
     k:簇的个数
     distMeas:距离计算函数
     createCent:随机质心生成函数
    返回：
     centroids:质心
     result_set:所有数据划分结果
    """
    m,n = dataSet.shape   #m是样本数，n是特征+标签数
    centroids = createCent(dataSet, k) #生成 k个随机质心
    clusterAssment = np.zeros((m,3)) #创建m行3列的容器
    clusterAssment[:, 0] = np.inf  #容器第一列放置最短距离，初始化设为最大值
    clusterAssment[:, 1: 3] = -1   #容器第二列放置本次迭代完之后的簇的编号，第三列放置上次迭代的簇的编号
    result_set = pd.concat([dataSet, pd.DataFrame(clusterAssment)], axis=1,ignore_index = True) #将容器拼接到原数据集上
    clusterChanged = True #循环控制因子
    while clusterChanged:
        clusterChanged = False
        for i in range(m): #对所有样本进行循环
            dist = distMeas(dataSet.iloc[i, :n-1].values, centroids) #计算当前样本到质心之间的距离
            result_set.iloc[i, n] = dist.min(