聚类-K-Means

1.什么是K-Means?

K均值算法聚类

关键词:K个种子,均值
聚类的概念:一种无监督的学习,事先不知道类别,自动将相似的对象归到同一个簇中

K-Means算法是一种聚类分析(cluster analysis)的算法,其主要是来计算数据聚集的算法,主要通过不断地取离种子点最近均值的算法.

K-Means算法的思想很简单,对于给定的样本集,按照样本之间的距离大小,将样本集划分为K个簇。让簇内的点尽量紧密的连在一起,而让簇间的距离尽量的大.

2.k-Means原理

每次计算距离采用的是欧式距离

 

 

 步骤图:

 

 

 

步骤总结:

  • 从数据中选择k个对象作为初始聚类中心;
  • 计算每个聚类对象到聚类中心的距离来划分;
  • 再次计算每个聚类中心
  • 2~3步for循环,直到达到最大迭代次数,则停止,否则,继续操作。
  • 确定最优的聚类中心

主要优点:

  • 原理比较简单,实现也是很容易,收敛速度快。
  • 聚类效果较优。
  • 算法的可解释度比较强。
  • 主要需要调参的参数仅仅是簇数k。
  • 当簇近似为高斯分布时,效果是最高的.
  • 对处理大数据集该算法保持可伸缩性和高效率

主要缺点:

  • K-Means算法需要用初始随机种子点来搞,这个随机种子点太重要,不同的随机种子点会有得到完全不同的结果。(K-Means++算法可以用来解决这个问题,其可以有效地选择初始点)

  • 必须事先给出k(要生成的簇的数目),而且对初值敏感,对于不同的初值,可能会导致不同的结果.
  • 对于不是凸的数据集比较难收敛
  • 如果各隐含类别的数据不平衡,比如各隐含类别的数据量严重失衡,或者各隐含类别的方差不同,则聚类效果不佳。
  • 采用迭代方法,得到的结果只是局部最优。
  • 对噪音和异常点比较的敏感。

 3.K-Means算法应用:

  • 对于多维数据的分类,效果很好
  • 二维坐标点的X,Y 坐标,其实是一种向量,是一种数学抽象。现实世界中很多属性是可以抽象成向量的,比如,我们的年龄,我们的喜好,我们的商品,等等,能抽象成向量的目的就是可以让计算机知道某两个属性间的距离。如:我们认为,18岁的人离24岁的人的距离要比离12岁的距离要近,鞋子这个商品离衣服这个商品的距离要比电脑要近,等等。解决实际问题比较好

4.K-Means实例-亚洲国家队足球水平分类

 1 import numpy as np
 2 
 3 import pandas as pd
 4 
 5 # cluster :簇,一堆
 6 # 只有分类
 7 from sklearn.cluster import KMeans
 8 
 9 import matplotlib.pyplot as plt
10 %matplotlib inline
11 
12 from mpl_toolkits.mplot3d.axes3d import Axes3D
13 import warnings
14 warnings.filterwarnings('ignore')
15 
16 # 2006年世界杯,2010年世界杯,2007亚洲杯,比赛数据
17 football = pd.read_csv('./AsiaFootball.txt')
18 
19 X = football.iloc[:,1:]
20 
21 kmeans = KMeans(n_clusters=5)
22 
23 # 无监督学习 PCA也是无监督 NMF无监督
24 kmeans.fit(X)
25 y_ = kmeans.predict(X)
26 
27 # 分成3类
28 for i in range(3):
29     index = np.argwhere(y_ == i).reshape(-1)
30     print('类别是%d国家队有:'%(i),football['国家'].loc[index].get_values())
31 
32 # 分成5类
33 for i in range(5):
34     index = np.argwhere(y_ == i).reshape(-1)
35     print('类别是%d国家队有:'%(i),football['国家'].loc[index].get_values())

加载的数据结构:

 

 

 

分成3类打印输出:

分成5类打印输出:

 

 

 分类好了,但是我们不知道分成4类好还是分成5类好,现在选取一些指标来评判一下:

(1)轮廓系数 Silhouette Coefficient

1 # 轮廓系数
2 from sklearn.metrics import silhouette_score
3 
4 for i in range(2,16):
5     kmeans = KMeans(n_clusters=i)
6     kmeans.fit(X)
7     y_ = kmeans.predict(X)
8     s = silhouette_score(X,y_)
9     print('聚类个数是:%d。轮廓系数是:%0.2f'%(i,s))

 

 

由轮廓系数分析可知,当分为6类的时候,效果最好

(2)calinski_harabasz_score CH分数(值越大,效果越好)

 

1 for i in range(2,16):
2     kmeans = KMeans(n_clusters=i)
3     kmeans.fit(X)
4     y_ = kmeans.predict(X)
5     s = metrics.calinski_harabasz_score(X,y_)
6     print('聚类个数是:%d。calinski_harabasz_score:%0.2f'%(i,s))

 

(3)davies_bouldin_score 戴维森堡丁指数DBI(度量是每个聚类最大相似度的均值)

 

1 for i in range(2,16):
2     kmeans = KMeans(n_clusters=i)
3     kmeans.fit(X)
4     y_ = kmeans.predict(X)
5     s = metrics.davies_bouldin_score(X,y_)
6     print('聚类个数是:%d。davies_bouldin_score:%0.2f'%(i,s))

 

 以上三种方式得到的最优分类均不同,这是因为数据的原因,数据不太好.

 5.Kmeans评价指标,这个就是聚类的衡量指标,之后再具体详细的解释一下

(1)轮廓系数 metrics.silhouette_score

(2)兰德系数 metrics.adjusted_rand_score

(3)互信息指标 metrics.adjusted_mutual_info_score

(4)同质性 homogeneity_completeness_v_measure

(5)Calinski-Harabasz索引 metrics.calinski_harabasz_score

(6)Davies-Bouldin索引 metrics.davies_bouldin_score

 

补充:

1.k-Means算法,初值的选择,对聚类结果有影响吗?

k-Means是初值敏感的,举个例子:

 

 对于左图来说,使用k-means分类,我们肉眼可见,选择初值会在四个区域选择四个样本,

但是如图所示,在第二部分选择了两个样本作为初始值,而第一部分没有选择,

这种情况下,最终的分类结果可能是右图所示,这样的话结果就不太好,分类效果明显不好,

所以,由此可见,初值的选择对分类有很大的影响.

我觉得有一种解决方法是:

k-means++算法:

先随机选择一个样本点为初始值,然后计算其他所有样本到该该本点的距离,然后计算加权平均,相当于给每个样本点一个权值,也就是被选中的概率,然后按照概率选择其他的初始值,并不是概率高的一定会被选中,概率低的也可能会被选中,这是一个概率问题,一般来说选中都是距离第一个初始值比较远的,这样我们就有下一个聚类中心了,再然后找第三个聚类中心的话,更新一下之前的距离权值,根据样本到两个聚类中心的距离,哪个距离大选择哪个,这样再根据概率挑选出第三个聚类中心,之后的步骤是一样的,这就是k-means++算法

2.k-means使用场景

k-means其实对样本的分布是有要求的,我们认为k个样本其实是服从高斯混合分布的,并且每个高斯分布的方差是一样的,其实也就是每个簇的方差是一样的.

3.k-means的公式化解释:

 

 我们上边所说的原理其实就是两个公式的重复循环

4.如果样本量巨大的话,可以考虑使用mini-batch k-means算法

5.k-means算法可能会振荡

采用迭代的方法,多做几次,每次结果可能都不一样,具体哪个效果好,可能需要人为去判断.

 

posted @ 2019-12-04 09:03  程序界第一佳丽  阅读(2389)  评论(0编辑  收藏  举报