一. 概述
首先需要先介紹一下無監(jiān)督學(xué)習(xí)，所謂無監(jiān)督學(xué)習(xí)，就是訓(xùn)練樣本中的標(biāo)記信息是位置的，目標(biāo)是通過對(duì)無標(biāo)記訓(xùn)練樣本的學(xué)習(xí)來揭示數(shù)據(jù)的內(nèi)在性質(zhì)以及規(guī)律汤锨。通俗得說，就是根據(jù)數(shù)據(jù)的一些內(nèi)在性質(zhì)百框，找出其內(nèi)在的規(guī)律闲礼。而這一類算法，應(yīng)用最為廣泛的就是“聚類”铐维。
聚類算法可以對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)歸約柬泽，即在盡可能保證數(shù)據(jù)完整的前提下，減少數(shù)據(jù)的量級(jí)方椎，以便后續(xù)處理聂抢。也可以對(duì)聚類數(shù)據(jù)結(jié)果直接應(yīng)用或分析。
而Kmeans 算法可以說是聚類算法里面較為基礎(chǔ)的一種算法棠众。
二. 從樣例開始
我們現(xiàn)在在二維平面上有這樣一些點(diǎn)
x y 1.658985 4.285136 -3.453687 3.424321 4.838138 -1.151539 -5.379713 -3.362104 0.972564 2.924086 -3.567919 1.531611 0.450614 -3.302219 -3.487105 -1.724432 2.668759 1.594842 -3.156485 3.191137 3.165506 -3.999838 -2.786837 -3.099354 4.208187 2.984927 -2.123337 2.943366 0.704199 -0.479481 -0.392370 -3.963704 2.831667 1.574018 -0.790153 3.343144 2.943496 -3.357075 ...
它在二維平面上的分布大概是這樣的：
好，這些點(diǎn)看起來隱約分成4個(gè)“簇”有决，那么我們可以假定它就是要分成4個(gè)“簇”闸拿。（雖然我們可以“看”出來是要分成4個(gè)“簇”，但實(shí)際上也可以分成其他個(gè)书幕，比如說5個(gè)新荤。）這里分成“4個(gè)簇“是我們看出來的。而在實(shí)際應(yīng)用中其實(shí)應(yīng)該由機(jī)器算得台汇，下面也會(huì)有介紹的苛骨。
找出4個(gè)”簇”之后，就要找出每個(gè)“簇”的中心了苟呐，我們可以“看出”大概的中心點(diǎn)痒芝，但機(jī)器不知道啊。那么機(jī)器是如何知道的呢牵素？答案是通過向量距離严衬，也叫向量相似性。這個(gè)相似性計(jì)算有多種方法笆呆，比如歐式距離请琳，曼哈頓距離胡桃，切比雪夫距離等等围苫。
我們這里使用的是歐式距離，歐式距離其實(shí)就是反應(yīng)空間中兩點(diǎn)的直線距離膨蛮。
知道這些后榕堰，我們就可以開始讓機(jī)器計(jì)算出4個(gè)“簇”了竖慧。
主要做法是這樣，先隨機(jī)生成4個(gè)點(diǎn)，假設(shè)這4個(gè)點(diǎn)就是4個(gè)“簇”的中心测蘑。計(jì)算平面中每個(gè)點(diǎn)到4個(gè)中心點(diǎn)的距離灌危，平面中每個(gè)點(diǎn)選取距離最近的那個(gè)中心作為自己的中心。
此時(shí)我們就完成第一步碳胳，將平面中所有點(diǎn)分成4個(gè)”簇“勇蝙。但是剛剛那幾個(gè)中心都是隨機(jī)的，這樣分成的4個(gè)簇明顯不是我們想要的結(jié)果挨约。怎么辦呢味混？做法如下：
現(xiàn)在有4個(gè)簇，根據(jù)每個(gè)簇中所有點(diǎn)計(jì)算出每個(gè)簇的新中心點(diǎn)诫惭。這個(gè)新中心點(diǎn)就會(huì)比上一個(gè)舊的中心點(diǎn)更優(yōu)翁锡，因?yàn)樗又行摹Ｈ缓笫褂眯轮行狞c(diǎn)重復(fù)第一步的步驟夕土。即再對(duì)平面中所有點(diǎn)算距離馆衔，然后分發(fā)到4個(gè)新簇中。不斷迭代怨绣，直到誤差較小角溃。
這就是 Kmeans 算法的過程了。
三. 知識(shí)點(diǎn)淺析
3.1 確定“簇”的個(gè)數(shù)
上面所說的分成 4 個(gè)簇篮撑，這個(gè) 4 其實(shí)就是 Kmeans 中的K减细。要使用 Kmeans 首先就是要選取一個(gè) K 作為聚類個(gè)數(shù)。而上面的例子其實(shí)是我們主觀”看“出來的赢笨，但多數(shù)情況下我們是無法直觀”看“出分多少個(gè) K 比較好未蝌。那怎么辦呢？
我們可以從較低的 K 值開始茧妒。使用較簡(jiǎn)單的 Kmeans 算法的結(jié)果（即較少的迭代次數(shù)萧吠，不求最佳結(jié)果，但求最快）嘶伟。計(jì)算每個(gè)點(diǎn)到其歸屬的“簇”的中心點(diǎn)的距離怎憋，然后求和，求和結(jié)果就是誤差值九昧。
然后再增加 K 值绊袋，再計(jì)算誤差值。比如上面的例子铸鹰，我們可以從 K=2 開始癌别，計(jì)算 K 值從 2 到 7 的 Kmeans 算法的誤差值。
這樣會(huì)得到類似這樣一張圖：
里面的 Error 可以理解未 Kmeans 的誤差蹋笼，而當(dāng)分成越多“簇”的適合展姐，誤差肯定是越來越小躁垛。
但是不是“簇”越多越好呢？答案是否定的圾笨，有時(shí)候“簇”過多的話是不利于我們得到想要的結(jié)果或是做下一步操作的教馆。
所以我們通常會(huì)選擇誤差減小速度比較平緩的那個(gè)臨界點(diǎn)，比如上圖中的 4擂达。
可以發(fā)現(xiàn)土铺，在分成 4 個(gè)簇之后，再增加簇的數(shù)量板鬓，誤差也不會(huì)有很大的減少悲敷。而取 4 個(gè)簇也和我們所看到的相符。
3.2 歐式距離
3.2 歐式距離
歐氏距離是一個(gè)通常采用的距離定義俭令，指在m維空間中兩個(gè)點(diǎn)之間的真實(shí)距離后德，計(jì)算公式如下：
而本例種的是在二維空間種，故而本例的計(jì)算公式如下：
四. 代碼和結(jié)果
加載數(shù)據(jù)的代碼抄腔，使用了 numpy 瓢湃，先是將代碼加載成 matrix 類型。
import numpy as np
def loadDataSet(fileName):
'''
加載數(shù)據(jù)集
:param fileName:
:return:
'''
# 初始化一個(gè)空列表
dataSet = []
# 讀取文件
fr = open(fileName)
# 循環(huán)遍歷文件所有行
for line in fr.readlines():
# 切割每一行的數(shù)據(jù)
curLine = line.strip().split('\t')
# 將數(shù)據(jù)轉(zhuǎn)換為浮點(diǎn)類型,便于后面的計(jì)算
# fltLine = [float(x) for x in curLine]
# 將數(shù)據(jù)追加到dataMat
fltLine = list(map(float,curLine)) # 映射所有的元素為 float（浮點(diǎn)數(shù)）類型
dataSet.append(fltLine)
# 返回dataMat
return np.matrix(dataSet)
接下來需要生成 K 個(gè)初始的質(zhì)點(diǎn)妓柜，即中心點(diǎn)箱季。這里采用隨機(jī)生成的方法生成 k 個(gè)“簇”。
def randCent(dataMat, k):
'''
為給定數(shù)據(jù)集構(gòu)建一個(gè)包含K個(gè)隨機(jī)質(zhì)心的集合,
隨機(jī)質(zhì)心必須要在整個(gè)數(shù)據(jù)集的邊界之內(nèi),這可以通過找到數(shù)據(jù)集每一維的最小和最大值來完成
然后生成0到1.0之間的隨機(jī)數(shù)并通過取值范圍和最小值,以便確保隨機(jī)點(diǎn)在數(shù)據(jù)的邊界之內(nèi)
:param dataMat:
:param k:
:return:
'''
# 獲取樣本數(shù)與特征值
m, n = np.shape(dataMat)
# 初始化質(zhì)心,創(chuàng)建(k,n)個(gè)以零填充的矩陣
centroids = np.mat(np.zeros((k, n)))
# 循環(huán)遍歷特征值
for j in range(n):
# 計(jì)算每一列的最小值
minJ = min(dataMat[:, j])
# 計(jì)算每一列的范圍值
rangeJ = float(max(dataMat[:, j]) - minJ)
# 計(jì)算每一列的質(zhì)心,并將值賦給centroids
centroids[:, j] = np.mat(minJ + rangeJ * np.random.rand(k, 1))
# 返回質(zhì)心
return centroids
歐式距離計(jì)算
def distEclud(vecA, vecB):
'''
歐氏距離計(jì)算函數(shù)
:param vecA:
:param vecB:
:return:
'''
return np.sqrt(sum(np.power(vecA - vecB, 2)))
cost 方法將執(zhí)行一個(gè)簡(jiǎn)化的 kMeans 棍掐，即較少次數(shù)的迭代，計(jì)算出其中的誤差（即當(dāng)前點(diǎn)到簇質(zhì)心的距離,后面會(huì)使用該誤差來評(píng)價(jià)聚類的效果）
def cost(dataMat, k, distMeas=distEclud, createCent=randCent,iterNum=300):
'''
計(jì)算誤差的多少拷况，通過這個(gè)方法來確定 k 為多少比較合適作煌，這個(gè)其實(shí)就是一個(gè)簡(jiǎn)化版的 kMeans
:param dataMat: 數(shù)據(jù)集
:param k: 簇的數(shù)目
:param distMeans: 計(jì)算距離
:param createCent: 創(chuàng)建初始質(zhì)心
:param iterNum：默認(rèn)迭代次數(shù)
:return:
'''
# 獲取樣本數(shù)和特征數(shù)
m, n = np.shape(dataMat)
# 初始化一個(gè)矩陣來存儲(chǔ)每個(gè)點(diǎn)的簇分配結(jié)果
# clusterAssment包含兩個(gè)列:一列記錄簇索引值,第二列存儲(chǔ)誤差(誤差是指當(dāng)前點(diǎn)到簇質(zhì)心的距離,后面會(huì)使用該誤差來評(píng)價(jià)聚類的效果)
clusterAssment = np.mat(np.zeros((m, 2)))
# 創(chuàng)建質(zhì)心,隨機(jī)K個(gè)質(zhì)心
centroids = createCent(dataMat, k)
clusterChanged = True
while iterNum > 0:
clusterChanged = False
# 遍歷所有數(shù)據(jù)找到距離每個(gè)點(diǎn)最近的質(zhì)心,
# 可以通過對(duì)每個(gè)點(diǎn)遍歷所有質(zhì)心并計(jì)算點(diǎn)到每個(gè)質(zhì)心的距離來完成
for i in range(m):
minDist = np.inf
minIndex = -1
for j in range(k):
# 計(jì)算數(shù)據(jù)點(diǎn)到質(zhì)心的距離
# 計(jì)算距離是使用distMeas參數(shù)給出的距離公式,默認(rèn)距離函數(shù)是distEclud
distJI = distMeas(centroids[j, :], dataMat[i, :])
# print(distJI)
# 如果距離比minDist(最小距離)還小,更新minDist(最小距離)和最小質(zhì)心的index(索引)
if distJI < minDist:
minDist = distJI
minIndex = j
# 更新簇分配結(jié)果為最小質(zhì)心的index(索引),minDist(最小距離)的平方
clusterAssment[i, :] = minIndex, minDist ** 2
iterNum -= 1;
# print(centroids)
# 遍歷所有質(zhì)心并更新它們的取值
for cent in range(k):
# 通過數(shù)據(jù)過濾來獲得給定簇的所有點(diǎn)
ptsInClust = dataMat[np.nonzero(clusterAssment[:, 0].A == cent)[0]]
# 計(jì)算所有點(diǎn)的均值,axis=0表示沿矩陣的列方向進(jìn)行均值計(jì)算
centroids[cent, :] = np.mean(ptsInClust, axis=0)
# 返回給定迭代次數(shù)后誤差的值
return np.mat(clusterAssment[:,1].sum(0))[0,0]
最后可以調(diào)用 Kmeans 算法來進(jìn)行計(jì)算。
def kMeans(dataMat, k, distMeas=distEclud, createCent=randCent):
'''
創(chuàng)建K個(gè)質(zhì)心,然后將每個(gè)店分配到最近的質(zhì)心,再重新計(jì)算質(zhì)心赚瘦。
這個(gè)過程重復(fù)數(shù)次,直到數(shù)據(jù)點(diǎn)的簇分配結(jié)果不再改變?yōu)橹?br>
:param dataMat: 數(shù)據(jù)集
:param k: 簇的數(shù)目
:param distMeans: 計(jì)算距離
:param createCent: 創(chuàng)建初始質(zhì)心
:return:
'''
# 獲取樣本數(shù)和特征數(shù)
m, n = np.shape(dataMat)
# 初始化一個(gè)矩陣來存儲(chǔ)每個(gè)點(diǎn)的簇分配結(jié)果
# clusterAssment包含兩個(gè)列:一列記錄簇索引值,第二列存儲(chǔ)誤差(誤差是指當(dāng)前點(diǎn)到簇質(zhì)心的距離,后面會(huì)使用該誤差來評(píng)價(jià)聚類的效果)
clusterAssment = np.mat(np.zeros((m, 2)))
# 創(chuàng)建質(zhì)心,隨機(jī)K個(gè)質(zhì)心
centroids = createCent(dataMat, k)
# 初始化標(biāo)志變量,用于判斷迭代是否繼續(xù),如果True,則繼續(xù)迭代
clusterChanged = True
while clusterChanged:
clusterChanged = False
# 遍歷所有數(shù)據(jù)找到距離每個(gè)點(diǎn)最近的質(zhì)心,
# 可以通過對(duì)每個(gè)點(diǎn)遍歷所有質(zhì)心并計(jì)算點(diǎn)到每個(gè)質(zhì)心的距離來完成
for i in range(m):
minDist = np.inf
minIndex = -1
for j in range(k):
# 計(jì)算數(shù)據(jù)點(diǎn)到質(zhì)心的距離
# 計(jì)算距離是使用distMeas參數(shù)給出的距離公式,默認(rèn)距離函數(shù)是distEclud
distJI = distMeas(centroids[j, :], dataMat[i, :])
# 如果距離比minDist(最小距離)還小,更新minDist(最小距離)和最小質(zhì)心的index(索引)
if distJI < minDist:
minDist = distJI
minIndex = j
# 如果任一點(diǎn)的簇分配結(jié)果發(fā)生改變,則更新clusterChanged標(biāo)志
if clusterAssment[i, 0] != minIndex: clusterChanged = True
# 更新簇分配結(jié)果為最小質(zhì)心的index(索引),minDist(最小距離)的平方
clusterAssment[i, :] = minIndex, minDist ** 2
# print(centroids)
# 遍歷所有質(zhì)心并更新它們的取值
for cent in range(k):
# 通過數(shù)據(jù)過濾來獲得給定簇的所有點(diǎn)
ptsInClust = dataMat[np.nonzero(clusterAssment[:, 0].A == cent)[0]]
# 計(jì)算所有點(diǎn)的均值,axis=0表示沿矩陣的列方向進(jìn)行均值計(jì)算
centroids[cent, :] = np.mean(ptsInClust, axis=0)
# 返回所有的類質(zhì)心與點(diǎn)分配結(jié)果
return centroids, clusterAssment
選取不同的 k 值對(duì)結(jié)果影響有多大呢粟誓？我們來看看就知道了，下面給出的是 k 值為 2 到 6 的效果起意。
圖中紅色方塊即為“簇”的中心點(diǎn)鹰服，每個(gè)“簇”所屬的點(diǎn)用不同的顏色表示。
K = 2
K = 3
K = 4
K = 5
K = 6
以上就是 Kmeans 算法的內(nèi)容啦揽咕。
