K-means聚類演算法及python程式碼實現
K-means聚類演算法(事先資料並沒有類別之分!所有的資料都是一樣的)
1、概述
K-means演算法是集簡單和經典於一身的基於距離的聚類演算法
採用距離作為相似性的評價指標,即認為兩個物件的距離越近,其相似度就越大。
該演算法認為類簇是由距離靠近的物件組成的,因此把得到緊湊且獨立的簇作為最終目標。
2、核心思想
通過迭代尋找k個類簇的一種劃分方案,使得用這k個類簇的均值來代表相應各類樣本時所得的總體誤差最小。
k個聚類具有以下特點:各聚類本身儘可能的緊湊,而各聚類之間儘可能的分開。
k-means演算法的基礎是最小誤差平方和準則,
其代價函式是:
式中,μc(i)表示第i個聚類的均值。
各類簇內的樣本越相似,其與該類均值間的誤差平方越小,對所有類所得到的誤差平方求和,即可驗證分為k類時,各聚類是否是最優的。
上式的代價函式無法用解析的方法最小化,只能有迭代的方法。
3、演算法步驟圖解
下圖展示了對n個樣本點進行K-means聚類的效果,這裡k取2。
4、演算法實現步驟
k-means演算法是將樣本聚類成k個簇(cluster),其中k是使用者給定的,其求解過程非常直觀簡單,具體演算法描述如下:
1)隨機選取k個聚類質心點
2)重複下面過程直到收斂 {
對於每一個樣例i,計算其應該屬於的類:
對於每一個類j,重新計算該類的質心:
}
其虛擬碼如下:
******************************************************************************
建立k個點作為初始的質心點(隨機選擇)
當任意一個點的簇分配結果發生改變時
對資料集中的每一個數據點
對每一個質心
計算質心與資料點的距離
將資料點分配到距離最近的簇
對每一個簇,計算簇中所有點的均值,並將均值作為質心
********************************************************
5、K-means聚類演算法python實戰
需求:
對給定的資料集進行聚類
本案例採用二維資料集,共80個樣本,有4個類。
1 #!/usr/bin/python 2 # coding=utf-8 3 from numpy import * 4 # 載入資料 5 def loadDataSet(fileName): # 解析檔案,按tab分割欄位,得到一個浮點數字型別的矩陣 6 dataMat = [] # 檔案的最後一個欄位是類別標籤 7 fr = open(fileName) 8 for line in fr.readlines(): 9 curLine = line.strip().split('\t') 10 fltLine = map(float, curLine) # 將每個元素轉成float型別 11 dataMat.append(fltLine) 12 return dataMat 13 14 # 計算歐幾里得距離 15 def distEclud(vecA, vecB): 16 return sqrt(sum(power(vecA - vecB, 2))) # 求兩個向量之間的距離 17 18 # 構建聚簇中心,取k個(此例中為4)隨機質心 19 def randCent(dataSet, k): 20 n = shape(dataSet)[1] 21 centroids = mat(zeros((k,n))) # 每個質心有n個座標值,總共要k個質心 22 for j in range(n): 23 minJ = min(dataSet[:,j]) 24 maxJ = max(dataSet[:,j]) 25 rangeJ = float(maxJ - minJ) 26 centroids[:,j] = minJ + rangeJ * random.rand(k, 1) 27 return centroids 28 29 # k-means 聚類演算法 30 def kMeans(dataSet, k, distMeans =distEclud, createCent = randCent): 31 m = shape(dataSet)[0] 32 clusterAssment = mat(zeros((m,2))) # 用於存放該樣本屬於哪類及質心距離 33 # clusterAssment第一列存放該資料所屬的中心點,第二列是該資料到中心點的距離 34 centroids = createCent(dataSet, k) 35 clusterChanged = True # 用來判斷聚類是否已經收斂 36 while clusterChanged: 37 clusterChanged = False; 38 for i in range(m): # 把每一個數據點劃分到離它最近的中心點 39 minDist = inf; minIndex = -1; 40 for j in range(k): 41 distJI = distMeans(centroids[j,:], dataSet[i,:]) 42 if distJI < minDist: 43 minDist = distJI; minIndex = j # 如果第i個數據點到第j箇中心點更近,則將i歸屬為j 44 if clusterAssment[i,0] != minIndex: clusterChanged = True; # 如果分配發生變化,則需要繼續迭代 45 clusterAssment[i,:] = minIndex,minDist**2 # 並將第i個數據點的分配情況存入字典 46 print centroids 47 for cent in range(k): # 重新計算中心點 48 ptsInClust = dataSet[nonzero(clusterAssment[:,0].A == cent)[0]] # 去第一列等於cent的所有列 49 centroids[cent,:] = mean(ptsInClust, axis = 0) # 算出這些資料的中心點 50 return centroids, clusterAssment 51 # --------------------測試---------------------------------------------------- 52 # 用測試資料及測試kmeans演算法 53 datMat = mat(loadDataSet('testSet.txt')) 54 myCentroids,clustAssing = kMeans(datMat,4) 55 print myCentroids 56 print clustAssing
執行結果:
6、K-means演算法補充
K-means演算法的缺點及改進方法
(1)k值的選擇是使用者指定的,不同的k得到的結果會有挺大的不同,如下圖所示,左邊是k=3的結果,這個就太稀疏了,藍色的那個簇其實是可以再劃分成兩個簇的。而右圖是k=5的結果,可以看到紅色菱形和藍色菱形這兩個簇應該是可以合併成一個簇的:
改進:
對k的選擇可以先用一些演算法分析資料的分佈,如重心和密度等,然後選擇合適的k
(2)對k個初始質心的選擇比較敏感,容易陷入區域性最小值。例如,我們上面的演算法執行的時候,有可能會得到不同的結果,如下面這兩種情況。K-means也是收斂了,只是收斂到了區域性最小值:
改進:
有人提出了另一個成為二分k均值(bisecting k-means)演算法,它對初始的k個質心的選擇就不太敏感
(3)存在侷限性,如下面這種非球狀的資料分佈就搞不定了:
(4)資料集比較大的時候,收斂會比較慢。