1、用于发现共同的群体(cluster),比如:邮件聚类、用户聚类、图片边缘。
2、聚类唯一会使用到的信息是:样本与样本之间的相似度(跟距离负相关)
给定N个训练样本(未标记的){x 1 , . . . , x N },同时给定结果聚类的个数K 目标:把比较“接近”的样本放到一个cluster里,总共得到K个cluster
图片检索:图片内容相似度
图片分割:图片像素(颜色)相似度
网页聚类:文本内容相似度
社交网络聚类:(被)关注人群,喜好,喜好内容
电商用户聚类:点击/加车/购买商品,行为序列…
得到的聚类是一个独立于另外一个的
收敛:
聚类中心不再有变化 每个样本到对应聚类中心的距离之和不再有很大变化
可以看做树状层叠 无需初始输入聚类个数
kmeans每次聚类产生一个聚类结果,层次聚类可以通过聚类程度不同产生不同结果 kmeans需要指定聚类个数K,层次聚类不用 kmeans比层次聚类更快 kmeans用的多,且可以用k-median
k过大过小对结果都不好
选取不同的K值,画出损失函数曲线,选取“肘点”值
1. 易于理解,聚类效果不错;
2. 处理大数据集的时候,该算法可以保证较好的伸缩性和高效率;
3. 当簇近似高斯分布的时候,效果非常不错 。
1. k值是用户给定的,进行数据处理前,k值是未知的,不同的k值得到的结果不一样;
2. 对初始簇中心点是敏感的;
3. 对于团状的数据点集区分度好,对于带状(环绕)等“非凸”形状不太好。(用谱聚类或者做特征映射)
4. 对异常点的“免疫力”很差,我们可以通过一些调整(比如中心不直接取均值,而是找均值最近的样本点代替)
import random
import matplotlib.pyplot as plt
class Kmeans():
def __init__(self,k):
'''
初始化
param k:代表聚类中心个数
'''
self.__k=k
self.__data = [] #存放原始数据
self.__pointCenter = [] #存放聚类中心点
self.__result = [] #存放最后的聚类结果
for i in range(k):
self.__result.append([])
def calDistance(self,points1,points2):
'''
欧氏距离:sprt(x1-x2)^2+(y1-y2)^2
param points1:一维列表
param points2:一维列表
return:两点之间直线距离
'''
distance = (sum(\[(x1-x2)\*\*2 for x1,x2 in zip(points1, points2)\]))\*\*0.5 #开平方
return distance
def randomCenter(self):
'''
生成self.\_\_pointCenter:初次聚类中心点列表
return:
'''
while len(self.\_\_pointCenter)<self.\_\_k:
index = random.randint(0,len(self.\_\_data)) #得到0到len(self.\_\_data)-1之间的索引
if self.\_\_data\[index\] not in self.\_\_pointCenter: #用索引值得到列表的值
self.\_\_pointCenter.append(self.\_\_data\[index\])
def calPointToCenterDistance(self,data,center):
'''
计算每个店和聚类中心之间的距离
param data:原始数据
param center:中心聚类点
return:距离
'''
distance = \[\]
for i in data:
distance.append(\[self.calDistance(i,centerpoint) for centerpoint in center\])
return distance
def sortPoint(self,distance):
'''
对原始数据进行分类,将每个点分到离它最近的聚类中心点
param distance:得到的距离
return:返回最终的分类结果
'''
for i in distance:
index = i.index(min(i)) #得到五个距离之中的最小值的索引
self.\_\_result\[index\].append(self.\_\_data\[i\]) #通过索引进行分类
return self.\_\_result
def calNewCenterPoint(self,result):
'''
计算新的中心点:通过生成新的聚类求取新的平均值
param result:分类结果
return:返回新的聚类中心点
'''
newCenterPoint1 = \[\]
for temp in result:
#进行转置,将N\*M转为M\*N形式,将所有point.x值和point,y值撞到一个列表中,便于求取新的平均值
temps = \[\[temp\[x\]\[i\] for x in range(len(temp))\] for i in range(len(temp\[0\]))\]
point = \[\]
for i in temps:
point.append(sum(i)/len(i)) #求和再除以数组长度,求取平均值
newCenterPoint1.append(point)
return newCenterPoint1
def calCenterToCenterDistance(self,old,new):
'''
迭代结束条件
计算新旧中心点之间的距离
param old:
param new:
return:
'''
total = 0
for point1,point2 in zip(old,new):
total += self.calDistance(point1,point2)
return total/len(old)
def fit(self,data,threshold,time=50000):
self.\_\_data = data
self.randomCenter()
print(self.\_\_pointCenter)
centerDistance = self.calPointToCenterDistance(self.\_\_data,self.\_\_pointCenter)
#对原始数据进行分类,将每个点分到离它最近的中心点
i = 0
for temp in centerDistance:
index = temp.index(min(temp))
self.\_\_result\[index\].append(self.\_\_data\[i\])
i +=1
#打印分类结果
print(self.\_\_result)
oldCenterPoint = self.\_\_pointCenter
newCenterPoint = self.calNewCenterPoint(self.\_\_result)
while self.calCenterToCenterDistance(oldCenterPoint,newCenterPoint) > threshold:
time -= 1
result = \[\]
for i in range(self.\_\_k):
result.append(\[\])
#保存上次的中心点
oldCenterPoint = newCenterPoint
centerDistance = self.calPointToCenterDistance(self.\_\_data,newCenterPoint)
#对原始数据进行分类,将每个点分到离它最近的中心点
i = 0
for temp in centerDistance:
index = temp.index(min(temp))
result\[index\].append(self.\_\_data\[i\])
i += 1
newCenterPoint = self.calNewCenterPoint(result)
print(self.calCenterToCenterDistance(oldCenterPoint,newCenterPoint))
self.\_\_result = result
self.\_\_pointCenter = newCenterPoint
return newCenterPoint,self.\_\_result
if __name__ == "__main__":
data = []
k = 6 #分类数量
for i in range(len(data)):
kmeans = Kmeans(k=k)
centerPoint,result = kmeans.fit(data,0.0001)
print(centerPoint)
plt.plot()
plt.title('Kmeans')
i = 0
tempx = []
tempy = []
color = []
for temp in result:
temps = [[temp[x][i] for x in range(len(temp))] for i in range(len(temp[0]))]
color += [i]*len(temps[0])
tempx += temps[0]
tempy += temps[1]
i+=2
plt.scatter(tempx,tempy,c=color,s=30)
plt.show()
手机扫一扫
移动阅读更方便
你可能感兴趣的文章