Artificial Intelligence
k-means算法
基本概念
K-means聚类算法(K-均值算法),是一种广泛使用的聚类算法,其中k是需要指定的参数,即需要创建的簇的数目,K-means算法中的k个簇的质心可以通过随机的方式获得,但是这些点需要位于数据范围内。在算法中,计算每个点到质心得距离,选择距离最小的质心对应的簇作为该数据点的划分,然后再基于该分配过程后更新簇的质心。重复上述过程,直至各个簇的质心不再变化为止。
原理
上图a表达了初始的数据集,假设k=2。
在图b中,我们随机选择了两个k类所对应的类别质心,即图中的红色质心和蓝色质心。
然后分别求样本中所有点到这两个质心的距离,并标记每个样本的类别为和该样本距离最小的质心的类别,如图c所示。
经过计算样本和红色质心和蓝色质心的距离,我们得到了所有样本点的第一轮迭代后的类别。
此时我们对我们当前标记为红色和蓝色的点分别求其新的质心,如图4所示,新的红色质心和蓝色质心的位置已经发生了变动。
图e和图f重复了我们在图c和图d的过程,即将所有点的类别标记为距离最近的质心的类别并求新的质心。
最终我们得到的两个类别如图f。
优缺点
优点
- 属于无监督学习,无须准备训练集;
- 结果可解释性较好。
缺点
- 聚类数目k是一个输入参数。选择不恰当的k值可能会导致糟糕的聚类结果;
- 可能收敛到局部最小值, 在大规模数据集上收敛较慢;
- 对于异常点比较敏感。
代码实现
import numpy
import random
import matplotlib.pyplot as plt
def findCentroids(data_get, k): # 随机获取k个质心
return random.sample(data_get, k)
def calculateDistance(vecA, vecB): # 计算向量vecA和向量vecB之间的欧氏距离
return numpy.sqrt(numpy.sum(numpy.square(vecA - vecB)))
def minDistance(data_get, centroidList):
# 计算data_get中的元素与centroidList中k个聚类中心的欧式距离,找出距离最小的
# 将该元素加入相应的聚类中
clusterDict = dict() # 用字典存储聚类结果
for element in data_get:
vecA = numpy.array(element) # 转换成数组形式
flag = 0 # 元素分类标记,记录与相应聚类距离最近的那个类
minDis = float("inf") # 初始化为最大值
for i in range(len(centroidList)):
vecB = numpy.array(centroidList[i])
distance = calculateDistance(vecA, vecB) # 两向量间的欧式距离
if distance < minDis:
minDis = distance
flag = i # 保存与当前item距离最近的那个聚类的标记
if flag not in clusterDict.keys(): # 簇标记不存在,进行初始化
clusterDict[flag] = list()
clusterDict[flag].append(element) # 加入相应的类中
return clusterDict # 返回新的聚类结果
def getCentroids(clusterDict):
centroidList = list()
for key in clusterDict.keys():
centroid = numpy.mean(numpy.array(clusterDict[key]), axis=0) # 求聚类中心即求解每列的均值
centroidList.append(centroid)
return numpy.array(centroidList).tolist()
def calculate_Var(clusterDict, centroidList):
# 计算聚类间的均方误差
# 将类中各个向量与聚类中心的距离进行累加求和
sum = 0.0
for key in clusterDict.keys():
vecA = numpy.array(centroidList[key])
distance = 0.0
for item in clusterDict[key]:
vecB = numpy.array(item)
distance += calculateDistance(vecA, vecB)
sum += distance
return sum
def showCluster(centroidList, clusterDict):
# 画聚类结果
colorMark = ['or', 'ob', 'og', 'ok', 'oy', 'ow'] # 元素标记
centroidMark = ['dr', 'db', 'dg', 'dk', 'dy', 'dw'] # 聚类中心标记
for key in clusterDict.keys():
plt.plot(centroidList[key][0], centroidList[key][1], centroidMark[key], markersize=12) # 画聚类中心
for item in clusterDict[key]:
plt.plot(item[0], item[1], colorMark[key]) # 画类下的点
plt.show()
data = [[0.0, 0.0], [3.0, 8.0], [2.0, 2.0], [1.0, 1.0], [5.0, 3.0],
[4.0, 8.0], [6.0, 3.0], [5.0, 4.0], [6.0, 4.0], [7.0, 5.0]]
if __name__ == '__main__':
centroidList = findCentroids(data, 3) # 随机获取3个聚类中心
clusterDict = minDistance(data, centroidList) # 第一次聚类迭代
newVar = calculate_Var(clusterDict, centroidList) # 计算均方误差值,通过新旧均方误差来获得迭代终止条件
oldVar = -0.0001 # 初始化均方误差
print('***** 第1次迭代 *****')
for key in clusterDict.keys():
print('聚类中心: ', centroidList[key])
print('对应聚类: ',clusterDict[key])
print('平均均方误差: ', newVar)
showCluster(centroidList, clusterDict) # 展示聚类结果
k = 2
while abs(newVar - oldVar) >= 0.0001: # 当连续两次聚类结果差距小于0.0001时,迭代结束
centroidList = getCentroids(clusterDict) # 获得新的聚类中心
clusterDict = minDistance(data, centroidList) # 新的聚类结果
oldVar = newVar
newVar = calculate_Var(clusterDict, centroidList)
print('***** 第%d次迭代 *****' % k)
for key in clusterDict.keys():
print('聚类中心: ', centroidList[key])
print('对应聚类: ', clusterDict[key])
print('平均均方误差: ', newVar)
showCluster(centroidList, clusterDict) # 展示聚类结果
k += 1
运行结果