站长百科 机器学习实战---K均值聚类算法 正文

机器学习实战---K均值聚类算法

2022-12-25,,,,

一：一般K均值聚类算法实现

（一）导入数据

import numpy as np

import matplotlib.pyplot as plt

def loadDataSet(filename):

    dataSet = np.loadtxt(filename)

    return dataSet

（二）计算两个向量之间的距离

def distEclud(vecA,vecB):   #计算两个向量之间距离

    return np.sqrt(np.sum(np.power(vecA-vecB,)))

（三）随机初始化聚簇中心

def randCent(data_X,k):    #随机初始化聚簇中心 可以随机选取样本点，或者选取距离随机

    m,n = data_X.shape

    centroids = np.zeros((k,n))

    #开始随机初始化

    for i in range(n):

        Xmin = np.min(data_X[:,i])   #获取该特征最小值

        Xmax = np.max(data_X[:,i])   #获取该特征最大值

        disc = Xmax - Xmin  #获取差值

        centroids[:,i] = (Xmin + np.random.rand(k,)*disc).flatten() #为i列特征全部k个聚簇中心赋值  rand(k,)表示产生k行1列在0-1之间的随机数

    return centroids

（四）实现聚簇算法

def kMeans(data_X,k,distCalc=distEclud,createCent=randCent):   #实现k均值算法,当所有中心不再改变时退出

    m,n = data_X.shape

    centroids = createCent(data_X,k)    #创建随机聚簇中心

    clusterAssment = np.zeros((m,))    #创建各个样本点的分类和位置信息    第一个表示属于哪一个聚簇，第二个表示距离该聚簇的位置

    changeFlag = True   #设置标识符，表示是否有聚簇中心改变

    while changeFlag:

        changeFlag = False

        #开始计算各个点到聚簇中心距离，进行点集合分类

        for i in range(m):  #对于每一个样本点，判断是属于哪一个聚簇

            bestMinIdx = -

            bestMinDist = np.inf

            for j in range(k):  #求取到各个聚簇中心的距离

                dist = distCalc(centroids[j], data_X[i])

                if dist < bestMinDist:

                    bestMinIdx = j

                    bestMinDist = dist

            if clusterAssment[i,] != bestMinIdx:   #该样本点有改变聚簇中心

                changeFlag = True

            clusterAssment[i,:] = bestMinIdx,bestMinDist

        #开始根据上面样本点分类信息，进行聚簇中心重新分配

        for i in range(k):

            centroids[i] = np.mean(data_X[np.where(clusterAssment[:,]==i)],)

    return centroids,clusterAssment

（五）结果测试

data_X = loadDataSet("testSet.txt")

centroids,clusterAssment = kMeans(data_X,)

plt.figure()

plt.scatter(data_X[:,].flatten(),data_X[:,].flatten(),c="b",marker="o")

plt.scatter(centroids[:,].flatten(),centroids[:,].flatten(),c='r',marker="+")

plt.show()

我们可以发现，在经过多次测试后，会出现聚簇收敛到局部最小值。导致不能得到我们想要的聚簇结果！！！

二：多次测试，计算代价，选取最优聚簇中心

https://www.cnblogs.com/ssyfj/p/12966305.html

避免局部最优：如果想让找到最优可能的聚类，可以尝试多次随机初始化，以此来保证能够得到一个足够好的结果，选取代价最小的一个也就是代价函数J最小的。事实证明，在聚类数K较小的情况下（2~10个），使用多次随机初始化会有较大的影响，而如果K很大的情况，多次随机初始化可能并不会有太大效果

三：后处理提高聚类性能（可以不实现）

理解思路即可，实现没必要，因为后面的二分K-均值算法更加好。这里的思路可以用到二分K-均值算法中。

通过SSE指标（误差平方和）来度量聚类效果，是根据各个样本点到对应聚簇中心聚类来计算的。SSE越小表示数据点越接近质心，聚类效果越好。

一种好的方法是通过增加聚簇中心（是将具有最大SSE值的簇划分为两个簇）来减少SSE值，但是违背了K-均值思想（自行增加了聚簇数量），但是我们可以在后面进行处理，合并两个最接近的聚簇中心，从而达到保持聚簇中心数量不变，但是降低SSE值的情况，获取全局最优聚簇中心。

（一）全部代码

import numpy as np

import matplotlib.pyplot as plt

def loadDataSet(filename):

    dataSet = np.loadtxt(filename)

    return dataSet

def distEclud(vecA,vecB):   #计算两个向量之间距离

    return np.sqrt(np.sum(np.power(vecA-vecB,)))

def randCent(data_X,k):    #随机初始化聚簇中心 可以随机选取样本点，或者选取距离随机

    m,n = data_X.shape

    centroids = np.zeros((k,n))

    #开始随机初始化

    for i in range(n):

        Xmin = np.min(data_X[:,i])   #获取该特征最小值

        Xmax = np.max(data_X[:,i])   #获取该特征最大值

        disc = Xmax - Xmin  #获取差值

        centroids[:,i] = (Xmin + np.random.rand(k,)*disc).flatten() #为i列特征全部k个聚簇中心赋值  rand(k,)表示产生k行1列在0-1之间的随机数

    return centroids

def getSSE(clusterAssment):    #传入一个聚簇中心和对应的距离数据集

    return np.sum(clusterAssment[:,])

def kMeans(data_X,k,distCalc=distEclud,createCent=randCent,divide=False):   #实现k均值算法,当所有中心不再改变时退出

    m,n = data_X.shape

    centroids = createCent(data_X,k)    #创建随机聚簇中心

    clusterAssment = np.zeros((m,))    #创建各个样本点的分类和位置信息    第一个表示属于哪一个聚簇，第二个表示距离该聚簇的位置

    changeFlag = True   #设置标识符，表示是否有聚簇中心改变

    while changeFlag:

        changeFlag = False

        #开始计算各个点到聚簇中心距离，进行点集合分类

        for i in range(m):  #对于每一个样本点，判断是属于哪一个聚簇

            bestMinIdx = -

            bestMinDist = np.inf

            for j in range(k):  #求取到各个聚簇中心的距离

                dist = distCalc(centroids[j], data_X[i])

                if dist < bestMinDist:

                    bestMinIdx = j

                    bestMinDist = dist

            if clusterAssment[i,] != bestMinIdx:   #该样本点有改变聚簇中心

                changeFlag = True

            clusterAssment[i,:] = bestMinIdx,bestMinDist

        #开始根据上面样本点分类信息，进行聚簇中心重新分配

        for i in range(k):

            centroids[i] = np.mean(data_X[np.where(clusterAssment[:,]==i)],)

    midCentroids = centroids

    #进行后处理

    if divide == True:  # 开始进行一次后处理

        maxSSE =

        maxIdx = -

        for i in range(k):  #先找到最大的那个簇，进行划分

            curSSE = getSSE(clusterAssment[np.where(clusterAssment[:,]==i)])

            if curSSE > maxSSE:

                maxSSE = curSSE

                maxIdx = i

        #将最大簇划分为两个簇

        temp,new_centroids,new_clusterAssment = kMeans(data_X[np.where(clusterAssment[:,]==maxIdx)],)

        centroids[maxIdx] = new_centroids[]    #更新一个

        centroids = np.r_[centroids,np.array([new_centroids[]])]   #更新第二个

        new_clusterAssment[,:] = maxIdx

        new_clusterAssment[,:] = centroids.shape[] - 

        #找的最近的两个聚簇中心进行合并

        clusterAssment[np.where(clusterAssment[:,]==maxIdx)] = new_clusterAssment  #距离更新

        distArr = np.zeros((k+,k+))

        for i in range(k+):

            temp_disc = np.sum(np.power(centroids[i] - centroids,),)  #获取L2范式距离平方

            temp_disc[i] = np.inf   #将对角线的0值设置为无穷大，方便后面求取最小值

            distArr[i] = temp_disc

        #获取最小距离位置

        idx = np.argmin(distArr)

        cluidx = int((idx) / (k+)),(idx) % (k+)    #获取行列索引

        #计算两个聚簇的新的聚簇中心

        new_centroids = np.mean(data_X[np.where((clusterAssment[:, ] == cluidx[]) | (clusterAssment[:, ] == cluidx[]))], )

        centroids = np.delete(centroids,list(cluidx),)

        centroids = np.r_[centroids,np.array([new_centroids])]

    return midCentroids,centroids,clusterAssment

plt.figure()

data_X = loadDataSet("testSet.txt")

midCentroids,centroids,clusterAssment = kMeans(data_X,,divide=True)

midCentroids[:, ] += 0.1

plt.scatter(data_X[:,].flatten(),data_X[:,].flatten(),c="b",marker="o")

plt.scatter(midCentroids[:, ].flatten(), midCentroids[:, ].flatten(), c='g', marker="+")

plt.scatter(centroids[:,].flatten(),centroids[:,].flatten(),c='r',marker="+")

plt.show()

（二）计算SSE函数

def getSSE(clusterAssment):    #传入一个聚簇中心和对应的距离数据集

    return np.sum(clusterAssment[:,])

（三）修改原有的k-均值算法

def kMeans(data_X,k,distCalc=distEclud,createCent=randCent,divide=False):   #实现k均值算法,当所有中心不再改变时退出　　最后一个参数，用来表示是否是后处理，True不需要后处理

    m,n = data_X.shape

    centroids = createCent(data_X,k)    #创建随机聚簇中心

    clusterAssment = np.zeros((m,))    #创建各个样本点的分类和位置信息    第一个表示属于哪一个聚簇，第二个表示距离该聚簇的位置

    changeFlag = True   #设置标识符，表示是否有聚簇中心改变

    while changeFlag:

        changeFlag = False

        #开始计算各个点到聚簇中心距离，进行点集合分类

        for i in range(m):  #对于每一个样本点，判断是属于哪一个聚簇

            bestMinIdx = -

            bestMinDist = np.inf

            for j in range(k):  #求取到各个聚簇中心的距离

                dist = distCalc(centroids[j], data_X[i])

                if dist < bestMinDist:

                    bestMinIdx = j

                    bestMinDist = dist

            if clusterAssment[i,] != bestMinIdx:   #该样本点有改变聚簇中心

                changeFlag = True

            clusterAssment[i,:] = bestMinIdx,bestMinDist

        #开始根据上面样本点分类信息，进行聚簇中心重新分配

        for i in range(k):

            centroids[i] = np.mean(data_X[np.where(clusterAssment[:,]==i)],)

    midCentroids = centroids

    #进行后处理

    if divide == True:  # 开始进行一次后处理

        maxSSE =

        maxIdx = -

        for i in range(k):  #先找到最大的那个簇，进行划分

            curSSE = getSSE(clusterAssment[np.where(clusterAssment[:,]==i)])

            if curSSE > maxSSE:

                maxSSE = curSSE

                maxIdx = i

        #将最大簇划分为两个簇

        temp,new_centroids,new_clusterAssment = kMeans(data_X[np.where(clusterAssment[:,]==maxIdx)],)

        centroids[maxIdx] = new_centroids[]    #更新一个

        centroids = np.r_[centroids,np.array([new_centroids[]])]   #更新第二个

        new_clusterAssment[,:] = maxIdx

        new_clusterAssment[,:] = centroids.shape[] - 

        #找的最近的两个聚簇中心进行合并

        clusterAssment[np.where(clusterAssment[:,]==maxIdx)] = new_clusterAssment  #距离更新

        distArr = np.zeros((k+,k+))

        for i in range(k+):

            temp_disc = np.sum(np.power(centroids[i] - centroids,),)  #获取L2范式距离平方

            temp_disc[i] = np.inf   #将对角线的0值设置为无穷大，方便后面求取最小值

            distArr[i] = temp_disc

        #获取最小距离位置

        idx = np.argmin(distArr)

        cluidx = int((idx) / (k+)),(idx) % (k+)    #获取行列索引

        #计算两个聚簇的新的聚簇中心

        new_centroids = np.mean(data_X[np.where((clusterAssment[:, ] == cluidx[]) | (clusterAssment[:, ] == cluidx[]))], )

        centroids = np.delete(centroids,list(cluidx),)

        centroids = np.r_[centroids,np.array([new_centroids])]

    return midCentroids,centroids,clusterAssment　　#第一个返回的是正常k-均值聚簇结果，第二、三返回的是后处理以后的聚簇中心和样本分类信息

（四）测试现象

plt.figure()

data_X = loadDataSet("testSet.txt")

midCentroids,centroids,clusterAssment = kMeans(data_X,4,divide=True)

midCentroids[:, 1] += 0.1　　#将两个K-均值处理结果错开

plt.scatter(data_X[:,0].flatten(),data_X[:,1].flatten(),c="b",marker="o")　　#原始数据

plt.scatter(midCentroids[:, 0].flatten(), midCentroids[:, 1].flatten(), c='g', marker="+")　　#一般K-均值聚簇

plt.scatter(centroids[:,0].flatten(),centroids[:,1].flatten(),c='r',marker="+")　　#后处理以后的聚簇现象

plt.show()

注意：红色为后处理结果、绿色为一般K-均值处理

可以看到从左到右，后处理现象依次显现，尤其是最右边图中，后处理对原始聚簇划分进行了很大的改进！！！

虽然后处理不错，但是后面的二分K-均值算法是在聚簇时，直接考虑了SSE来进行划分K个聚簇，而不是在聚簇后进行考虑再进行划分合并。所以下面来看二分K-均值算法

四：二分K-均值算法

（一）全部代码

import numpy as np

from numpy import *

import matplotlib.pyplot as plt

def loadDataSet(filename):

    dataSet = np.loadtxt(filename)

    return dataSet

def distEclud(vecA,vecB):   #计算两个向量之间距离

    return np.sqrt(np.sum(np.power(vecA-vecB,)))

def randCent(data_X,k):    #随机初始化聚簇中心 可以随机选取样本点，或者选取距离随机

    m,n = data_X.shape

    centroids = np.zeros((k,n))

    #开始随机初始化

    for i in range(n):

        Xmin = np.min(data_X[:,i])   #获取该特征最小值

        Xmax = np.max(data_X[:,i])   #获取该特征最大值

        disc = Xmax - Xmin  #获取差值

        centroids[:,i] = (Xmin + np.random.rand(k,)*disc).flatten() #为i列特征全部k个聚簇中心赋值  rand(k,)表示产生k行1列在0-1之间的随机数

    return centroids

def kMeans(data_X,k,distCalc=distEclud,createCent=randCent):   #实现k均值算法,当所有中心不再改变时退出

    m,n = data_X.shape

    centroids = createCent(data_X,k)    #创建随机聚簇中心

    clusterAssment = np.zeros((m,))    #创建各个样本点的分类和位置信息    第一个表示属于哪一个聚簇，第二个表示距离该聚簇的位置

    changeFlag = True   #设置标识符，表示是否有聚簇中心改变

    while changeFlag:

        changeFlag = False

        #开始计算各个点到聚簇中心距离，进行点集合分类

        for i in range(m):  #对于每一个样本点，判断是属于哪一个聚簇

            bestMinIdx = -

            bestMinDist = np.inf

            for j in range(k):  #求取到各个聚簇中心的距离

                dist = distCalc(centroids[j], data_X[i])

                if dist < bestMinDist:

                    bestMinIdx = j

                    bestMinDist = dist

            if clusterAssment[i,] != bestMinIdx:   #该样本点有改变聚簇中心

                changeFlag = True

            clusterAssment[i,:] = bestMinIdx,bestMinDist

        #开始根据上面样本点分类信息，进行聚簇中心重新分配

        for i in range(k):

            centroids[i] = np.mean(data_X[np.where(clusterAssment[:,]==i)],)

    return centroids,clusterAssment

def binkMeans(data_X,k,distCalc=distEclud):   #实现二分-k均值算法，开始都是属于一个聚簇，当我们聚簇中心数为K时，退出

    m,n = data_X.shape

    clusterAssment = np.zeros((m,))

    centroid0 = np.mean(data_X,).tolist()   #全部数据集属于一个聚簇时，设置中心为均值即可

    centList = [centroid0]  #用于统计所有的聚簇中心

    for i in range(m):

        clusterAssment[i,] = distCalc(data_X[i],centroid0)#设置距离，前面初始为0，设置了聚簇中心类别

    while len(centList) < k:    #不满足K个聚簇，则一直进行分类

        lowestSSE = np.inf  #用于计算每个聚簇的SSE值

        for i in range(len(centList)): #尝试对每一个聚簇进行一次划分，看哪一个簇划分后所有簇的SSE最小

            #先对该簇进行划分，然后获取划分后的SSE值，和没有进行划分的数据集的SSE值

            #先进行数据划分

            splitClusData = data_X[np.where(clusterAssment[:, ] == i)]

            #进行簇划分

            splitCentroids,splitClustArr = kMeans(splitClusData,,distCalc)

            #获取全部SSE值

            splitSSE = np.sum(splitClustArr[:,])

            noSplitSSE = np.sum(clusterAssment[np.where(clusterAssment[:, ] != i),])

            if (splitSSE + noSplitSSE) < lowestSSE:

                lowestSSE = splitSSE + noSplitSSE

                bestSplitClus = i

                #记录划分信息

                bestSplitCent = splitCentroids

                bestSplitClu = splitClustArr.copy()

        #更新簇的分配结果 二分后数据集：对于索引0，则保持原有的i位置，对于索引1则加到列表后面

        bestSplitClu[np.where(bestSplitClu[:,]==)[],] = len(centList)

        bestSplitClu[np.where(bestSplitClu[:,]==)[],] = bestSplitClus

        #还要继续更新聚簇中心

        centList[bestSplitClus] = bestSplitCent[].tolist()

        centList.append(bestSplitCent[].tolist())

        #还要对划分的数据集进行标签更新

        clusterAssment[np.where(clusterAssment[:,]==bestSplitClus)[],:] = bestSplitClu

    return np.array(centList),clusterAssment

data_X = loadDataSet("testSet2.txt")

centroids,clusterAssment = binkMeans(data_X,)

plt.figure()

plt.scatter(data_X[:,].flatten(),data_X[:,].flatten(),c="b",marker="o")

print(centroids)

plt.scatter(centroids[:,].reshape(,).tolist()[],centroids[:,].reshape(,).tolist()[],c='r',marker="+")

plt.show()

（二）不变代码

import numpy as np

from numpy import *

import matplotlib.pyplot as plt

def loadDataSet(filename):

    dataSet = np.loadtxt(filename)

    return dataSet

def distEclud(vecA,vecB):   #计算两个向量之间距离

    return np.sqrt(np.sum(np.power(vecA-vecB,)))

def randCent(data_X,k):    #随机初始化聚簇中心 可以随机选取样本点，或者选取距离随机

    m,n = data_X.shape

    centroids = np.zeros((k,n))

    #开始随机初始化

    for i in range(n):

        Xmin = np.min(data_X[:,i])   #获取该特征最小值

        Xmax = np.max(data_X[:,i])   #获取该特征最大值

        disc = Xmax - Xmin  #获取差值

        centroids[:,i] = (Xmin + np.random.rand(k,)*disc).flatten() #为i列特征全部k个聚簇中心赋值  rand(k,)表示产生k行1列在0-1之间的随机数

    return centroids

def kMeans(data_X,k,distCalc=distEclud,createCent=randCent):   #实现k均值算法,当所有中心不再改变时退出

    m,n = data_X.shape

    centroids = createCent(data_X,k)    #创建随机聚簇中心

    clusterAssment = np.zeros((m,))    #创建各个样本点的分类和位置信息    第一个表示属于哪一个聚簇，第二个表示距离该聚簇的位置

    changeFlag = True   #设置标识符，表示是否有聚簇中心改变

    while changeFlag:

        changeFlag = False

        #开始计算各个点到聚簇中心距离，进行点集合分类

        for i in range(m):  #对于每一个样本点，判断是属于哪一个聚簇

            bestMinIdx = -

            bestMinDist = np.inf

            for j in range(k):  #求取到各个聚簇中心的距离

                dist = distCalc(centroids[j], data_X[i])

                if dist < bestMinDist:

                    bestMinIdx = j

                    bestMinDist = dist

            if clusterAssment[i,] != bestMinIdx:   #该样本点有改变聚簇中心

                changeFlag = True

            clusterAssment[i,:] = bestMinIdx,bestMinDist

        #开始根据上面样本点分类信息，进行聚簇中心重新分配

        for i in range(k):

            centroids[i] = np.mean(data_X[np.where(clusterAssment[:,]==i)],)

    return centroids,clusterAssment

（三）二分K-均值实现

def binkMeans(data_X,k,distCalc=distEclud):   #实现二分-k均值算法，开始都是属于一个聚簇，当我们聚簇中心数为K时，退出

    m,n = data_X.shape

    clusterAssment = np.zeros((m,))

    centroid0 = np.mean(data_X,).tolist()   #全部数据集属于一个聚簇时，设置中心为均值即可

    centList = [centroid0]  #用于统计所有的聚簇中心

    for i in range(m):

        clusterAssment[i,] = distCalc(data_X[i],centroid0)#设置距离，前面初始为0，设置了聚簇中心类别

    while len(centList) < k:    #不满足K个聚簇，则一直进行分类

        lowestSSE = np.inf  #用于计算每个聚簇的SSE值

        for i in range(len(centList)): #尝试对每一个聚簇进行一次划分，看哪一个簇划分后所有簇的SSE最小

            #先对该簇进行划分，然后获取划分后的SSE值，和没有进行划分的数据集的SSE值

            #先进行数据划分

            splitClusData = data_X[np.where(clusterAssment[:, ] == i)]

            #进行簇划分

            splitCentroids,splitClustArr = kMeans(splitClusData,,distCalc)

            #获取全部SSE值

            splitSSE = np.sum(splitClustArr[:,])

            noSplitSSE = np.sum(clusterAssment[np.where(clusterAssment[:, ] != i),])

            if (splitSSE + noSplitSSE) < lowestSSE:

                lowestSSE = splitSSE + noSplitSSE

                bestSplitClus = i

                #记录划分信息

                bestSplitCent = splitCentroids

                bestSplitClu = splitClustArr.copy()

        #更新簇的分配结果 二分后数据集：对于索引0，则保持原有的i位置，对于索引1则加到列表后面

        bestSplitClu[np.where(bestSplitClu[:,0]==1)[0],0] = len(centList)

        bestSplitClu[np.where(bestSplitClu[:,0]==0)[0],0] = bestSplitClus



        #还要继续更新聚簇中心

        centList[bestSplitClus] = bestSplitCent[].tolist()

        centList.append(bestSplitCent[].tolist())

        #还要对划分的数据集进行标签更新

        clusterAssment[np.where(clusterAssment[:,0]==bestSplitClus)[0],:] = bestSplitClu

    return np.array(centList),clusterAssment

重点：使用np.where查找时，对数据集列值进行修改时，需要选取np.where()[0]---表示索引位置，之后在数据集中选取列数data[np.where()[0],:]=...

（四）结果测试

data_X = loadDataSet("testSet2.txt")

centroids,clusterAssment = binkMeans(data_X,)

plt.figure()

plt.scatter(data_X[:,].flatten(),data_X[:,].flatten(),c="b",marker="o")

print(centroids)

plt.scatter(centroids[:,].reshape(,).tolist()[],centroids[:,].reshape(,).tolist()[],c='r',marker="+")

plt.show()

机器学习实战---K均值聚类算法的相关教程结束。

《机器学习实战---K均值聚类算法.doc》

下载本文的Word格式文档，以方便收藏与打印。

Copyright 2023. 昆居客 - IT编程,互联网信息技术文档大全!