无监督学习-聚类
1.K-means方法及应用
K-means聚类算法
K-means算法以k为参数,把n个对象分成k个簇,使簇内具有较高的相似度,而簇间的相似度较低。
其处理过程如下:
- 随机选择k个点作为初始的聚类中心;
- 对于剩下的点,根据其与聚类中心的距离,将其归入最近的簇;
- 对每个簇,计算所有点的均值作为新的聚类中心;
- 重复2、3直到聚类中心不再发生改变。
图示:
![e3925c570410b11d44efb4b99911124f.png](https://i-blog.csdnimg.cn/blog_migrate/57de2db3f3385247be71d945fcac086a.jpeg)
K-means的应用
数据介绍:
现有1999年全国31个省份城镇居民家庭平均每人全年消费性支出的八个主要变量数据,这八个变量分别是:食品、 衣着、 家庭设备用品及服务、 医疗保健、 交通和通讯、 娱乐教育文化服务、 居住以及杂项商品和服务。 利用已有数据,对31个省份进行聚类。
实验目的:
通过聚类,了解1999年各个省份的消费水平在国内的情况。
技术路线:
sklearn.cluster.Kmeans
![641faf4cfe43eaa5f97bcb899c263503.png](https://i-blog.csdnimg.cn/blog_migrate/41ae4e496aef60ca1138acbce3cacbb5.jpeg)
实验过程:
- 使用算法: K-means聚类算法
- 实现过程:
1. 建立工程,导入sklearn相关包
import numpy as np
from sklearn.cluster import KMeans
关于一些相关包的介绍:
- NumPy是Python语言的一个扩充程序库。 支持高级大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。
- 使用sklearn.cluster.KMeans可以调用K-means算法进行聚类
2. 加载数据,创建K-means算法实例,并进行训练,获得标签:
调用KMeans方法所需参数:
- n_clusters:用于指定聚类中心的个数
- init:初始聚类中心的初始化方法
- max_iter:最大的迭代次数
一般调用时只用给出n_clusters即可,init默认是k-means++,max_iter默认是300
其它参数:
- data:加载的数据
- label:聚类后各数据所属的标签
- axis: 按行求和
- fit_predict():计算簇中心以及为簇分配序号
if __name__ == '__main__':
data, cityName = loadData('city.txt')
km = KMeans(n_clusters=4)
label = km.fit_predict(data)
expenses = np.sum(km.cluster_centers_, axis=1)
# print(expenses)
CityCluster = [[], [], [], []]
for i in range(len(cityName)): # 将城市按label分成设定的簇
CityCluster[label[i]].append(cityName[i]) # 输出每个簇的城市
for i in range(len(CityCluster)): # 输出每个城市的花费
print("Expenses:%.2f" % expenses[i])
print(CityCluster[i])
3. 输出标签,查看结果:
- 将城市按照消费水平n_clusters类,消费水平相近的城市聚集在一类中
- expense:聚类中心点的数值加和,也就是平均消费水平
聚成4类:km = KMeans(n_clusters=4)
Expenses:3788.76
['河北', '山西', '内蒙古', '辽宁', '吉林', '黑龙江', '江西', '山东', '河南', '贵州', '陕西', '甘肃', '青海', '宁夏', '新疆']
Expenses:4357.67
['安徽', '湖南', '湖北', '广西', '海南', '四川']
Expenses:7754.66
['北京', '上海', '广东']
Expenses:5477.90
['天津', '江苏', '浙江', '福建', '重庆', '云南', '西藏']
拓展&&改进
计算两条数据相似性时,Sklearn 的K-Means默认用的是欧式距离。 虽然还有余弦相似度,马氏距离等多种方法,但没有设定计算距离方法的参数。
![035853954a174c7bc5fa9f8f6c568956.png](https://i-blog.csdnimg.cn/blog_migrate/9892b823582c4ecebfb79d1dfb7975ac.jpeg)
源码地址:https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/metrics/pairwise.py
使用形式:scipy.spatial.distance.cdist(A, B, metric=‘cosine’)
详细:https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.cdist.html#scipy.spatial.distance.cdist
重要参数:
- A:A向量
- B:B向量
- metric: 计算A和B距离的方法,更改此参数可以更改调用的计算距离的方法
本节完整代码:
#!/usr/bin/env python
# _*_ coding: utf-8 _*_
"""
@author: antenna
@license: (C) Copyright 2019, Antenna.
@contact: lilyef2000@gmail.com
@software:
@file: kmeans-test.py
@time: 2019/4/9 17:22
@desc:
"""
import numpy as np
from sklearn.cluster import KMeans
def loadData(filePath):
"""
:param filePath:
:return:
"""
fr = open(filePath, 'r+')
lines = fr.readlines()
retData = []
retCityName = []
for line in lines:
items = line.strip().split(",")
retCityName.append(items[0])
retData.append([float(items[i]) for i in range(1, len(items))])
return retData, retCityName
if __name__ == '__main__':
data, cityName = loadData('city.txt')
km = KMeans(n_clusters=4)
label = km.fit_predict(data)
expenses = np.sum(km.cluster_centers_, axis=1)
# print(expenses)
CityCluster = [[], [], [], []]
for i in range(len(cityName)): # 将城市按label分成设定的簇
CityCluster[label[i]].append(cityName[i]) # 输出每个簇的城市
for i in range(len(CityCluster)): # 输出每个城市的花费
print("Expenses:%.2f" % expenses[i])
print(CityCluster[i])