机器学习算法与Python实践之(六)二分k均值聚类

http://blog.csdn.net/zouxy09/article/details/17590137

机器学习算法与Python实践之(六)二分k均值聚类

zouxy09@qq.com

http://blog.csdn.net/zouxy09

 

       机器学习算法与Python实践这个系列主要是参考《机器学习实战》这本书。因为自己想学习Python,然后也想对一些机器学习算法加深下了解,所以就想通过Python来实现几个比较常用的机器学习算法。恰好遇见这本同样定位的书籍,所以就参考这本书的过程来学习了。

       在上一个博文中,我们聊到了k-means算法。但k-means算法有个比较大的缺点就是对初始k个质心点的选取比较敏感。有人提出了一个二分k均值(bisecting k-means)算法,它的出现就是为了一定情况下解决这个问题的。也就是说它对初始的k个质心的选择不太敏感。那下面我们就来了解和实现下这个算法。

 

一、二分k均值(bisecting k-means)算法

       二分k均值(bisecting k-means)算法的主要思想是:首先将所有点作为一个簇,然后将该簇一分为二。之后选择能最大程度降低聚类代价函数(也就是误差平方和)的簇划分为两个簇。以此进行下去,直到簇的数目等于用户给定的数目k为止。

       以上隐含着一个原则是:因为聚类的误差平方和能够衡量聚类性能,该值越小表示数据点月接近于它们的质心,聚类效果就越好。所以我们就需要对误差平方和最大的簇进行再一次的划分,因为误差平方和越大,表示该簇聚类越不好,越有可能是多个簇被当成一个簇了,所以我们首先需要对这个簇进行划分。

       二分k均值算法的伪代码如下:

***************************************************************

将所有数据点看成一个簇

当簇数目小于k时

       对每一个簇

              计算总误差

              在给定的簇上面进行k-均值聚类(k=2)

              计算将该簇一分为二后的总误差

       选择使得误差最小的那个簇进行划分操作

***************************************************************

 

二、Python实现

       我使用的Python是2.7.5版本的。附加的库有Numpy和Matplotlib。具体的安装和配置见前面的博文。在代码中已经有了比较详细的注释了。不知道有没有错误的地方,如果有,还望大家指正(每次的运行结果都有可能不同)。里面我写了个可视化结果的函数,但只能在二维的数据上面使用。直接贴代码:

biKmeans.py

 

[python] view plaincopy在CODE上查看代码片派生到我的代码片
 
  1. #################################################  
  2. # kmeans: k-means cluster  
  3. # Author : zouxy  
  4. # Date   : 2013-12-25  
  5. # HomePage : http://blog.csdn.net/zouxy09  
  6. # Email  : zouxy09@qq.com  
  7. #################################################  
  8.   
  9. from numpy import *  
  10. import time  
  11. import matplotlib.pyplot as plt  
  12.   
  13.   
  14. # calculate Euclidean distance  
  15. def euclDistance(vector1, vector2):  
  16.     return sqrt(sum(power(vector2 - vector1, 2)))  
  17.   
  18. # init centroids with random samples  
  19. def initCentroids(dataSet, k):  
  20.     numSamples, dim = dataSet.shape  
  21.     centroids = zeros((k, dim))  
  22.     for i in range(k):  
  23.         index = int(random.uniform(0, numSamples))  
  24.         centroids[i, :] = dataSet[index, :]  
  25.     return centroids  
  26.   
  27. # k-means cluster  
  28. def kmeans(dataSet, k):  
  29.     numSamples = dataSet.shape[0]  
  30.     # first column stores which cluster this sample belongs to,  
  31.     # second column stores the error between this sample and its centroid  
  32.     clusterAssment = mat(zeros((numSamples, 2)))  
  33.     clusterChanged = True  
  34.   
  35.     ## step 1: init centroids  
  36.     centroids = initCentroids(dataSet, k)  
  37.   
  38.     while clusterChanged:  
  39.         clusterChanged = False  
  40.         ## for each sample  
  41.         for i in xrange(numSamples):  
  42.             minDist  = 100000.0  
  43.             minIndex = 0  
  44.             ## for each centroid  
  45.             ## step 2: find the centroid who is closest  
  46.             for j in range(k):  
  47.                 distance = euclDistance(centroids[j, :], dataSet[i, :])  
  48.                 if distance < minDist:  
  49.                     minDist  = distance  
  50.                     minIndex = j  
  51.               
  52.             ## step 3: update its cluster  
  53.             if clusterAssment[i, 0] != minIndex:  
  54.                 clusterChanged = True  
  55.                 clusterAssment[i, :] = minIndex, minDist**2  
  56.   
  57.         ## step 4: update centroids  
  58.         for j in range(k):  
  59.             pointsInCluster = dataSet[nonzero(clusterAssment[:, 0].A == j)[0]]  
  60.             centroids[j, :] = mean(pointsInCluster, axis = 0)  
  61.   
  62.     print 'Congratulations, cluster using k-means complete!'  
  63.     return centroids, clusterAssment  
  64.   
  65. # bisecting k-means cluster  
  66. def biKmeans(dataSet, k):  
  67.     numSamples = dataSet.shape[0]  
  68.     # first column stores which cluster this sample belongs to,  
  69.     # second column stores the error between this sample and its centroid  
  70.     clusterAssment = mat(zeros((numSamples, 2)))  
  71.   
  72.     # step 1: the init cluster is the whole data set  
  73.     centroid = mean(dataSet, axis = 0).tolist()[0]  
  74.     centList = [centroid]  
  75.     for i in xrange(numSamples):  
  76.         clusterAssment[i, 1] = euclDistance(mat(centroid), dataSet[i, :])**2  
  77.   
  78.     while len(centList) < k:  
  79.         # min sum of square error  
  80.         minSSE = 100000.0  
  81.         numCurrCluster = len(centList)  
  82.         # for each cluster  
  83.         for i in range(numCurrCluster):  
  84.             # step 2: get samples in cluster i  
  85.             pointsInCurrCluster = dataSet[nonzero(clusterAssment[:, 0].A == i)[0], :]  
  86.   
  87.             # step 3: cluster it to 2 sub-clusters using k-means  
  88.             centroids, splitClusterAssment = kmeans(pointsInCurrCluster, 2)  
  89.   
  90.             # step 4: calculate the sum of square error after split this cluster  
  91.             splitSSE = sum(splitClusterAssment[:, 1])  
  92.             notSplitSSE = sum(clusterAssment[nonzero(clusterAssment[:, 0].A != i)[0], 1])  
  93.             currSplitSSE = splitSSE + notSplitSSE  
  94.   
  95.             # step 5: find the best split cluster which has the min sum of square error  
  96.             if currSplitSSE < minSSE:  
  97.                 minSSE = currSplitSSE  
  98.                 bestCentroidToSplit = i  
  99.                 bestNewCentroids = centroids.copy()  
  100.                 bestClusterAssment = splitClusterAssment.copy()  
  101.   
  102.         # step 6: modify the cluster index for adding new cluster  
  103.         bestClusterAssment[nonzero(bestClusterAssment[:, 0].A == 1)[0], 0] = numCurrCluster  
  104.         bestClusterAssment[nonzero(bestClusterAssment[:, 0].A == 0)[0], 0] = bestCentroidToSplit  
  105.   
  106.         # step 7: update and append the centroids of the new 2 sub-cluster  
  107.         centList[bestCentroidToSplit] = bestNewCentroids[0, :]  
  108.         centList.append(bestNewCentroids[1, :])  
  109.   
  110.         # step 8: update the index and error of the samples whose cluster have been changed  
  111.         clusterAssment[nonzero(clusterAssment[:, 0].A == bestCentroidToSplit), :] = bestClusterAssment  
  112.   
  113.     print 'Congratulations, cluster using bi-kmeans complete!'  
  114.     return mat(centList), clusterAssment  
  115.   
  116. # show your cluster only available with 2-D data  
  117. def showCluster(dataSet, k, centroids, clusterAssment):  
  118.     numSamples, dim = dataSet.shape  
  119.     if dim != 2:  
  120.         print "Sorry! I can not draw because the dimension of your data is not 2!"  
  121.         return 1  
  122.   
  123.     mark = ['or''ob''og''ok''^r''+r''sr''dr''<r''pr']  
  124.     if k > len(mark):  
  125.         print "Sorry! Your k is too large! please contact Zouxy"  
  126.         return 1  
  127.   
  128.     # draw all samples  
  129.     for i in xrange(numSamples):  
  130.         markIndex = int(clusterAssment[i, 0])  
  131.         plt.plot(dataSet[i, 0], dataSet[i, 1], mark[markIndex])  
  132.   
  133.     mark = ['Dr''Db''Dg''Dk''^b''+b''sb''db''<b''pb']  
  134.     # draw the centroids  
  135.     for i in range(k):  
  136.         plt.plot(centroids[i, 0], centroids[i, 1], mark[i], markersize = 12)  
  137.           
  138.     plt.show()  

 

 

三、测试结果

      测试数据是二维的,共80个样本。有4个类。具体见上一个博文

测试代码:

test_biKmeans.py

 

[python] view plaincopy在CODE上查看代码片派生到我的代码片
 
  1. #################################################  
  2. # kmeans: k-means cluster  
  3. # Author : zouxy  
  4. # Date   : 2013-12-25  
  5. # HomePage : http://blog.csdn.net/zouxy09  
  6. # Email  : zouxy09@qq.com  
  7. #################################################  
  8.   
  9. from numpy import *  
  10. import time  
  11. import matplotlib.pyplot as plt  
  12.   
  13. ## step 1: load data  
  14. print "step 1: load data..."  
  15. dataSet = []  
  16. fileIn = open('E:/Python/Machine Learning in Action/testSet.txt')  
  17. for line in fileIn.readlines():  
  18.     lineArr = line.strip().split('\t')  
  19.     dataSet.append([float(lineArr[0]), float(lineArr[1])])  
  20.   
  21. ## step 2: clustering...  
  22. print "step 2: clustering..."  
  23. dataSet = mat(dataSet)  
  24. k = 4  
  25. centroids, clusterAssment = biKmeans(dataSet, k)  
  26.   
  27. ## step 3: show the result  
  28. print "step 3: show the result..."  
  29. showCluster(dataSet, k, centroids, clusterAssment)  

 

 

      这里贴出两次的运行结果:

       不同的类用不同的颜色来表示,其中的大菱形是对应类的均值质心点。

       事实上,这个算法在初始质心选择不同时运行效果也会不同。我没有看初始的论文,不确定它究竟是不是一定会收敛到全局最小值。《机器学习实战》这本书说是可以的,但因为每次运行的结果不同,所以我有点怀疑,自己去找资料也没找到相关的说明。对这个算法有了解的还望您不吝指点下,谢谢。

posted @ 2014-06-04 15:23  Django's blog  阅读(939)  评论(0编辑  收藏  举报