聚类是一种无监督的学习,它将相似的对象归到同一个簇中。
这篇文章介绍一种称为K-均值的聚类算法,之所以称为K-均值是因为它可以发现k个不同的簇,且每个簇的中心采用簇中所含值的均值计算而成。
聚类分析视图将相似对象归入同一簇,将不相似对象归到不同簇。
下面用Python简单演示该算法实现的原理:
函数loadDataSet先将文本文件导入到一个列表中,并添加到dataSet中,返回的结果即为需加载的训练数据。
def loadDataSet(fileName): dataMat = [] fr = open(fileName) for line in fr.readlines(): curLine = line.strip().split(‘\t‘) fltLine = map(float,curLine) dataMat.append(list(fltLine)) return dataMat
函数distEclud用于计算两个向量的距离:
def distEclud(vecA, vecB): return sqrt(sum(power(vecA - vecB, 2))) # 计算距离 def randCent(dataSet,k): n = shape(dataSet)[1] # 列数 centroids = mat(zeros((k,n))) # k为簇质心的数量 n为每个点对应的坐标的数量 for j in range(n): minJ = min(dataSet[:,j]) # 每列的最小值 rangeJ = float(max(dataSet[:,j]) - minJ) # 变化区间 centroids[:,j] = minJ + rangeJ * random.rand(k,1) # 生成坐标 return centroids
函数randCent有两个参数,其中k为用户指定的质心的数量(即最后分成的类的个数),该函数的作用是为给定的数据集dataSet构建一个包含k个随机质心的集合(centroids)。
上面三个为辅助函数,下面为完整的K-均值算法:
def kMeans(dataSet,k,disMeas = distEclud, createCent = randCent): m = shape(dataSet)[0] # 训练数据集的数量 clusterAssent = mat(zeros((m,2))) # 用于保存每个点对应的质心 centroids = createCent(dataSet,k) #初始化质心并保存 clusterChanged = True while clusterChanged: clusterChanged = False for i in range(m): # 遍历所有数据点 计算每一个数据点到每个质心的距离 minDist = inf minIndex = -1 for j in range(k): # 遍历所有的质心点 distJI = disMeas(centroids[j,:], dataSet[i ,:]) if distJI < minDist: minDist = distJI minIndex = j if clusterAssent[i,0] != minIndex: clusterChanged = True # 任何一个点对应的质心发生变化需要重新遍历计算 clusterAssent[i,:] = minIndex,minDist ** 2 print(centroids) for cent in range(k): # 更新质心的位置 ptsInClust = dataSet[nonzero(clusterAssent[:,0].A == cent)[0]] centroids[cent : ] = mean(ptsInClust, axis= 0) return centroids,clusterAssent
思路大概为:
- 遍历所有训练数据点(m个数据点)
- 对所有质心(k个质心)
- 计算该数据点与质心之间的距离,并保存该数据点最近的质心
- 对比之前保存的该数据点的质心(即该数据点所属的簇,保存在clusterAssent中),若发生更改,则证明未收敛,结束后需要从头开始循环
- 对所有质心(k个质心)
- 对于每一个簇,计算簇中所有点的均值作为质心。
K-均值算法有时候会出现聚类效果较差,收敛到了局部最小值,而非全局最小值。一种用于度量聚类效果的指标是SSE(Sum of Squared Error,误差平方和),SSE越小表示数据点越接近于它们的质心,聚类效果也越好。因此,要对聚类的结果进行改进的方法可以将具有最大SSE值的簇划分为两个簇,同时为了保持簇总数不变,可以将某两个簇进行合并。
时间: 2024-10-09 02:20:53