机器学习之K均值聚类算法
K均值聚类算法介绍
我们来介绍K均值聚类算法,首先读者要知道,聚类是一类无监督的学习,它将相似的对象归到同一个簇中。簇内的数据越相似,则聚类效果越好。无监督学习是指没有事先标记好训练集的类型。聚类和分类都是对记录进行分组;但分类则有预先定义的类别。
K均值聚类算法其实很简单,就如上图所述,我们紧接着就引出K均值聚类的算法。
K均值聚类算法的优点就是算法简单,读者在上面也看到了;而它的缺点是:可能收敛到局部最小值,在大规模数据集上收敛较慢。K均值聚类适应的数据类型是,数值型数据。直观上看,K均值聚类算法的结果就是这样的:
K均值聚类算法的实现
在普遍的算法实现中,我们都可以按照以下流程了进行:
K-均值聚类的一般流程
(1) 收集数据:使用任意方法。
(2) 准备数据:需要数值型数据来计算距离,也可以将标称型数据映射为二值型数据再用
于距离计算。
(3) 分析数据:使用任意方法。
(4) 训练算法:不适用于无监督学习,即无监督学习没有训练过程。
(5) 测试算法:应用聚类算法、观察结果。可以使用量化的误差指标如误差平方和(后面
会介绍)来评价算法的结果。
(6) 使用算法:可以用于所希望的任何应用。通常情况下,簇质心可以代表整个簇的数据
来做出决策。
导入数据
def loadDataSet(fileName): #general function to parse tab -delimited floats
dataMat = [] #assume last column is target value
fr = open(fileName)
for line in fr.readlines():
curLine = line.strip().split('\t')
fltLine = list(map(float,curLine)) #map all elements to float()
dataMat.append(fltLine)
return dataMat
计算欧式距离
def distEclud(vecA, vecB):
return sqrt(sum(power(vecA - vecB, 2))) #la.norm(vecA-vecB)
产生随机质心
def randCent(dataSet, k):
n = shape(dataSet)[1]
centroids = mat(zeros((k,n)))#create centroid mat
for j