python中實(shí)現(xiàn)k-means聚類算法詳解
算法優(yōu)缺點(diǎn):
優(yōu)點(diǎn):容易實(shí)現(xiàn)
缺點(diǎn):可能收斂到局部最小值,在大規(guī)模數(shù)據(jù)集上收斂較慢
使用數(shù)據(jù)類型:數(shù)值型數(shù)據(jù)
算法思想
k-means算法實(shí)際上就是通過計(jì)算不同樣本間的距離來判斷他們的相近關(guān)系的,相近的就會(huì)放到同一個(gè)類別中去。
1.首先我們需要選擇一個(gè)k值,也就是我們希望把數(shù)據(jù)分成多少類,這里k值的選擇對(duì)結(jié)果的影響很大,Ng的課說的選擇方法有兩種一種是elbow method,簡單的說就是根據(jù)聚類的結(jié)果和k的函數(shù)關(guān)系判斷k為多少的時(shí)候效果最好。另一種則是根據(jù)具體的需求確定,比如說進(jìn)行襯衫尺寸的聚類你可能就會(huì)考慮分成三類(L,M,S)等
2.然后我們需要選擇最初的聚類點(diǎn)(或者叫質(zhì)心),這里的選擇一般是隨機(jī)選擇的,代碼中的是在數(shù)據(jù)范圍內(nèi)隨機(jī)選擇,另一種是隨機(jī)選擇數(shù)據(jù)中的點(diǎn)。這些點(diǎn)的選擇會(huì)很大程度上影響到最終的結(jié)果,也就是說運(yùn)氣不好的話就到局部最小值去了。這里有兩種處理方法,一種是多次取均值,另一種則是后面的改進(jìn)算法(bisecting K-means)
3.終于我們開始進(jìn)入正題了,接下來我們會(huì)把數(shù)據(jù)集中所有的點(diǎn)都計(jì)算下與這些質(zhì)心的距離,把它們分到離它們質(zhì)心最近的那一類中去。完成后我們則需要將每個(gè)簇算出平均值,用這個(gè)點(diǎn)作為新的質(zhì)心。反復(fù)重復(fù)這兩步,直到收斂我們就得到了最終的結(jié)果。
函數(shù)
loadDataSet(fileName)
從文件中讀取數(shù)據(jù)集
distEclud(vecA, vecB)
計(jì)算距離,這里用的是歐氏距離,當(dāng)然其他合理的距離都是可以的
randCent(dataSet, k)
隨機(jī)生成初始的質(zhì)心,這里是雖具選取數(shù)據(jù)范圍內(nèi)的點(diǎn)
kMeans(dataSet, k, distMeas=distEclud, createCent=randCent)
kmeans算法,輸入數(shù)據(jù)和k值。后面兩個(gè)事可選的距離計(jì)算方式和初始質(zhì)心的選擇方式
show(dataSet, k, centroids, clusterAssment)
可視化結(jié)果
#coding=utf-8
from numpy import *
def loadDataSet(fileName):
dataMat = []
fr = open(fileName)
for line in fr.readlines():
curLine = line.strip().split('\t')
fltLine = map(float, curLine)
dataMat.append(fltLine)
return dataMat
#計(jì)算兩個(gè)向量的距離,用的是歐幾里得距離
def distEclud(vecA, vecB):
return sqrt(sum(power(vecA - vecB, 2)))
#隨機(jī)生成初始的質(zhì)心(ng的課說的初始方式是隨機(jī)選K個(gè)點(diǎn))
def randCent(dataSet, k):
n = shape(dataSet)[1]
centroids = mat(zeros((k,n)))
for j in range(n):
minJ = min(dataSet[:,j])
rangeJ = float(max(array(dataSet)[:,j]) - minJ)
centroids[:,j] = minJ + rangeJ * random.rand(k,1)
return centroids
def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
m = shape(dataSet)[0]
clusterAssment = mat(zeros((m,2)))#create mat to assign data points
#to a centroid, also holds SE of each point
centroids = createCent(dataSet, k)
clusterChanged = True
while clusterChanged:
clusterChanged = False
for i in range(m):#for each data point assign it to the closest centroid
minDist = inf
minIndex = -1
for j in range(k):
distJI = distMeas(centroids[j,:],dataSet[i,:])
if distJI < minDist:
minDist = distJI; minIndex = j
if clusterAssment[i,0] != minIndex:
clusterChanged = True
clusterAssment[i,:] = minIndex,minDist**2
print centroids
for cent in range(k):#recalculate centroids
ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]#get all the point in this cluster
centroids[cent,:] = mean(ptsInClust, axis=0) #assign centroid to mean
return centroids, clusterAssment
def show(dataSet, k, centroids, clusterAssment):
from matplotlib import pyplot as plt
numSamples, dim = dataSet.shape
mark = ['or', 'ob', 'og', 'ok', '^r', '+r', 'sr', 'dr', '<r', 'pr']
for i in xrange(numSamples):
markIndex = int(clusterAssment[i, 0])
plt.plot(dataSet[i, 0], dataSet[i, 1], mark[markIndex])
mark = ['Dr', 'Db', 'Dg', 'Dk', '^b', '+b', 'sb', 'db', '<b', 'pb']
for i in range(k):
plt.plot(centroids[i, 0], centroids[i, 1], mark[i], markersize = 12)
plt.show()
def main():
dataMat = mat(loadDataSet('testSet.txt'))
myCentroids, clustAssing= kMeans(dataMat,4)
print myCentroids
show(dataMat, 4, myCentroids, clustAssing)
if __name__ == '__main__':
main()
這里是聚類結(jié)果,還是很不錯(cuò)的啦

但是有時(shí)候也會(huì)收斂到局部最小值,就像下面這樣,就是不幸收斂到局部最優(yōu)了

總結(jié)
以上就是本文關(guān)于python中實(shí)現(xiàn)k-means聚類算法詳解的全部內(nèi)容,希望對(duì)大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站:
Python數(shù)據(jù)結(jié)構(gòu)與算法之列表(鏈表,linked list)簡單實(shí)現(xiàn)
Python算法之求n個(gè)節(jié)點(diǎn)不同二叉樹個(gè)數(shù)
有什么問題可以隨時(shí)留言,小編會(huì)及時(shí)回復(fù)大家的。感謝朋友們對(duì)本站的支持!
相關(guān)文章
python3爬蟲獲取html內(nèi)容及各屬性值的方法
今天小編就為大家分享一篇python3爬蟲獲取html內(nèi)容及各屬性值的方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-12-12
Python使用Chardet庫檢測(cè)字符編碼的操作詳解
在處理文本數(shù)據(jù)時(shí),字符編碼問題是一個(gè)常見的挑戰(zhàn),如果編碼不正確,可能會(huì)導(dǎo)致亂碼問題,而 Chardet 是 Python 中非常實(shí)用的一個(gè)庫,可以幫助我們快速檢測(cè)文件或字符串的編碼格式,本文給大家詳細(xì)介紹了Python Chardet 庫用法,需要的朋友可以參考下2025-01-01

