我们的问题是:怎么给一堆数据分类?
首先,每一类都叫一个簇(Cluster),如何才能算作是同一类能?
我们有K-means聚类,DBSCAN(Density-Based Spatial Clustering of Application with Noise),hIErarchical clustering等等这些聚类算法,这些算法区分同一类的方式都不同,比如DBSCAN,它是以一定的密度进行传播,将传播到的点都聚成一类,在某些场景,比如簇与簇之间有明显分隔的,DBSCAN显然要比k-means好。
下面是用k-means和DBSCAN划分一个笑脸的不同效果。
k-means算法
DBSCAN算法
不过对于均匀分布的数据,指定簇个数的k-means就要优于依靠密度发展的DBSCAN了。
k-means算法
DBSCAN算法
这些动画的演示你可在https://www.naftaliharris.com/blog/visualizing-k-means-clustering/上做到
使用pycharm手写k-means聚类算法
思路:
①随机生成1000个二维坐标的样本点
②指定划分成5类
③确定收敛阈值为0.2
④从1000个样本点中随机选出5个样本点,作为5个簇的中心
⑤每个中心为一个Cluster
⑥遍历1000个点,分别计算它们到5个中心点之间的距离,对每个点,我们得到5个距离,选择最小的,加入那个簇。
⑦第一次循环结束,我们分配好了1000个点的归属,得到了5个Cluster,对每个Cluster,计算里面包含的所有的点的均值,
也就是所有的x加起来除以总个数,所有的y加起来除以总个数,得到一个均值点。
⑧算出均值点到原来的中心点之间的距离,可以记为shift。对5个Cluster都这么做,我们会得到5个shift,挑出里边最大的biggest_shift
⑨如果biggest_shift小于收敛阈值0.2,跳出loop,否则,回到⑥
请注意,每个循环的时候,我们都要更新中心点,这是在第⑧步做的。代码十分详细,请看——
kmeans_tools.py
1 # -*- Coding: utf-8 -*- 2 3 import math 4 import random 5 6 7 class Cluster(object): 8 """ 9 聚类 10 """ 11 12 def __init__(self,samples): 13 if len(samples) == 0: 14 # 如果聚类中无样本点 15 raise Exception("错误:一个空的聚类!") 16 17 # 属于该聚类的样本点 18 self.samples = samples 19 20 # 该聚类中样本点的维度 21 self.n_dim = samples[0].n_dim 22 23 # 判断该聚类中所有样本点的维度是否相同 24 for sample in samples: 25 if sample.n_dim != self.n_dim: 26 raise Exception("错误: 聚类中样本点的维度不一致!") 27 28 # 设置初始化的聚类中心 29 self.centroID = self.cal_centroID() 30 31 def __repr__(self): 32 """ 33 输出对象信息 34 """ 35 return str(self.samples) 36 37 def update(self,samples): 38 """ 39 计算之前的聚类中心和更新后聚类中心的距离 40 """ 41 42 old_centroID = self.centroID 43 #这里Lists[i]中的所有数据都赋给clusters[i]了 44 self.samples = samples 45 #这里把clusters[i]的centroID也更新了 46 self.centroID = self.cal_centroID() 47 shift = get_distance(old_centroID,self.centroID) 48 return shift 49 50 def cal_centroID(self): 51 """ 52 对于一组样本点计算其中心点 53 """ 54 #获取样本点的个数 55 n_samples = len(self.samples) 56 # 获取所有样本点的坐标(特征) 57 coords = [sample.coords for sample in self.samples] 58 # 将所有sample的横坐标合起来作为一个tuple,所有的纵坐标合起来作为一个tuple 59 unzipped = zip(*coords) 60 # 计算每个维度的均值 61 centroID_coords = [math.fsum(d_List)/n_samples for d_List in unzipped] 62 #将新得到的中心点封装成一个Sample 63 return Sample(centroID_coords) 64 65 66 class Sample(object): 67 """ 68 样本点类 69 """ 70 def __init__(self,coords): 71 self.coords = coords # 样本点包含的坐标 72 self.n_dim = len(coords) # 样本点维度 73 74 # 将coords转成str输出 75 # 方便查看 76 def __repr__(self): 77 78 return str(self.coords) 79 80 81 def get_distance(a,b): 82 83 #使用两点间的距离公式计算两个sample之间的距离 84 if a.n_dim != b.n_dim: 85 # 如果样本点维度不同 86 raise Exception("错误: 样本点维度不同,无法计算距离!") 87 88 acc_diff = 0.0 89 for i in range(a.n_dim): 90 square_diff = pow((a.coords[i]-b.coords[i]),2) 91 acc_diff += square_diff 92 distance = math.sqrt(acc_diff) 93 94 return distance 95 96 97 def gen_random_sample(n_dim,lower,upper): 98 """ 99 生成随机样本100 """101 # [random.uniform(lower,upper) for _ in range(n_dim)]得到的是一个二维的点,我们将其传入Sample102 #得到一个Sample对象103 sample = Sample([random.uniform(lower,upper) for _ in range(n_dim)])104 return sample
Sample类做样本点,样本点提供给Cluster做簇,gen_random_sample方法生成随机点,get_distance方法计算两点间的距离
main.py
1 # -*- Coding: utf-8 -*- 2 3 import random 4 from kmeans_tools import Cluster,get_distance,gen_random_sample 5 import matplotlib.pyplot as plt 6 from matplotlib import colors as mcolors 7 8 9 def kmeans(samples,k,cutoff): 10 11 # 随机选k个样本点作为初始聚类中心 12 #random.sample返回的是samples中任选的5个sample,以它们作为初始的重心 13 init_samples = random.sample(samples,k) 14 15 # 创建k个聚类,聚类的中心分别为随机初始的样本点 16 #最初,clusters是有5个Cluster的List 17 #每个Cluster的centroID都是init_sample中的值,因为只有一个中心点嘛,它的中心自然就是自己了 18 #这也可以看成是初始化Cluster 19 clusters = [Cluster([sample]) for sample in init_samples] 20 21 22 # 迭代循环直到聚类划分稳定 23 24 #记录循环次数 25 n_loop = 0 26 while True: 27 # 初始化一组空列表用于存储每个聚类内的样本点 28 #注意:我们现在是要把所有的sample分开来存在这以下的5个空的List中 29 #但是,我们最终要得到的是分好类的clusters,并非分好的Lists,所以还会有将Lists中的值转移到clusters中的步骤 30 Lists = [[] for _ in clusters] 31 32 # 开始迭代 33 n_loop += 1 34 # 遍历样本集中的每个样本 35 for sample in samples: 36 # 计算样本点sample和第一个聚类中心的距离 37 smallest_distance = get_distance(sample,clusters[0].centroID) 38 # 初始化属于聚类 0 39 cluster_index = 0 40 41 # 计算和其他聚类中心的距离 42 #分别算出sample和另外四个cluster的centroID的距离 43 for i in range(k - 1): 44 # 计算样本点sample和聚类中心的距离 45 distance = get_distance(sample,clusters[i+1].centroID) 46 # 如果存在更小的距离,更新距离 47 if distance < smallest_distance: 48 smallest_distance = distance 49 cluster_index = i + 1 50 51 # 找到最近的聚类中心,更新所属聚类 52 Lists[cluster_index].append(sample) 53 54 #运行至此,1000个样本点根据距离最小的分类方案分别存在了5个List当中 55 # 初始化最大移动距离 56 biggest_shift = 0.0 57 58 # 计算本次迭代中,聚类中心移动的距离 59 for i in range(k): 60 #注意:这个update方法不仅计算出了原来的聚类中心和新的聚类中心的距离 61 #而且,他把List中的值更新到cluster当中了,并且每个cluster的centroID也在这一步更新了 62 shift = clusters[i].update(Lists[i]) 63 # 记录最大移动距离 64 biggest_shift = max(biggest_shift,shift) 65 66 # 如果聚类中心移动的距离小于收敛阈值,即:聚类稳定 67 if biggest_shift < cutoff: 68 print("第{}次迭代后,聚类稳定。".format(n_loop)) 69 break 70 # 返回聚类结果 71 return clusters 72 73 74 def run_main(): 75 """ 76 主函数 77 """ 78 # 样本个数 79 n_samples = 1000 80 81 # 维度 82 n_feat = 2 83 84 # 生成的点的范围,也就是0到200 85 lower = 0 86 upper = 200 87 88 # 聚类个数 89 n_cluster = 5 90 91 # 生成随机样本 92 samples = [gen_random_sample(n_feat,upper) for _ in range(n_samples)] 93 94 # 收敛阈值 95 cutoff = 0.2 96 97 #将1000个随机sample,聚类个数,和收敛阈值传入kmeans方法, 98 #返回的是经过无监督学习后自动分好类的5个Cluster 99 #此函数是理解kmeans的关键100 clusters = kmeans(samples,n_cluster,cutoff)101 102 # 输出结果103 for i,c in enumerate(clusters):104 for sample in c.samples:105 print(‘聚类--{},样本点--{}‘.format(i,sample))106 107 # ---------------------算法结束,以下是画图-----------------------------------------------------------------108 109 # 可视化结果110 plt.subplot()111 color_names = List(mcolors.cnames)112 # 将5个Cluster以scatter的方式显示113 for i,c in enumerate(clusters):114 x = []115 y = []116 117 # 这里i是循环次数,是固定的,所以从color_names中取出的颜色也是固定的,这个你可以所以改动118 color = [color_names[i]] * len(c.samples)119 for sample in c.samples:120 x.append(sample.coords[0])121 y.append(sample.coords[1])122 plt.scatter(x,y,c=color)123 plt.show()124 125 if __name__ == ‘__main__‘:126 run_main()
kmeans方法的是算法的核心,我的注释已经写得十分详细了。
我们看看运行结果吧:
我在这里只是随机运行了三次,其实改变的只是样本点不同罢了,结果还是很满意的。
你当然可以改变k以及收敛阈值的值,观察结果的改变。
总结以上是内存溢出为你收集整理的K-means聚类(一)全部内容,希望文章能够帮你解决K-means聚类(一)所遇到的程序开发问题。
如果觉得内存溢出网站内容还不错,欢迎将内存溢出网站推荐给程序员好友。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)