机器学习实战之K-Means算法
一,引言
先说个K-means算法很高大上的用处,来开始新的算法学习。我们都知道每一届的美国总统大选,那叫一个竞争激烈。可以说,谁拿到了各个州尽可能多的选票,谁选举获胜的几率就会非常大。有人会说,这跟K-means算法有什么关系?当然,如果哪一届的总统竞选,某一位候选人是绝对的众望所归,那自然能以压倒性优势竞选成功,那么我们的k-means算法还真用不上。但是,我们应该知道2004年的总统大选中,候选人的得票数非常接近,接近到什么程度呢?如果1%的选民将手中的选票投向任何一位候选人,都直接决定了总统的归属。那么这个时候,这1%的选民手中的选票就非常关键,因为他们的选票将直接对选举结果产生非常大的影响,所以,如果能够妥善加以引导和吸引,那么这很少的一部分选民还是极有可能会转换立场的。那么如何找出这类选民,以及如何在有限的预算下采取措施来吸引他们呢?
答案就是聚类,这就要说到本次要讲到的K-means算法了。通过收集用户的信息,可以同时收集用户满意和不满意的信息;然后将这些信息输入到聚类算法中,就会得到很多的簇;接着,对聚类结果中的每一个簇(最好是最大簇),精心构造能吸引该簇选民的信息,加以引导;最后,再开展竞选活动并观察上述做法是否有效。而,一旦算法有效,那么就会对选举结果产生非常大的影响,甚至,直接决定了最后的总统归属。
可见,聚类算法是一个非常了不起的算法。下面,我们就正式开始今天的新算法,K-means聚类算法。
二,K-means聚类算法
1 K-means算法的相关描述
聚类是一种无监督的学习,它将相似的对象归到同一簇中。聚类的方法几乎可以应用所有对象,簇内的对象越相似,聚类的效果就越好。K-means算法中的k表示的是聚类为k个簇,means代表取每一个聚类中数据值的均值作为该簇的中心,或者称为质心,即用每一个的类的质心对该簇进行描述。
聚类和分类最大的不同在于,分类的目标是事先已知的,而聚类则不一样,聚类事先不知道目标变量是什么,类别没有像分类那样被预先定义出来,所以,聚类有时也叫无监督学习。
聚类分析试图将相似的对象归入同一簇,将不相似的对象归为不同簇,那么,显然需要一种合适的相似度计算方法,我们已知的有很多相似度的计算方法,比如欧氏距离,余弦距离,汉明距离等。事实上,我们应该根据具体的应用来选取合适的相似度计算方法。
当然,任何一种算法都有一定的缺陷,没有一种算法时完美的,有的只是人类不断追求完美,不断创新的意志。K-means算法也有它的缺陷,但是我们可以通过一些后处理来得到更好的聚类结果,这些在后面都会一一降到。
K-means算法虽然比较容易实现,但是其可能收敛到局部最优解,且在大规模数据集上收敛速度相对较慢。
2 K-means算法的工作流程
首先,随机确定k个初始点的质心;然后将数据集中的每一个点分配到一个簇中,即为每一个点找到距其最近的质心,并将其分配给该质心所对应的簇;该步完成后,每一个簇的质心更新为该簇所有点的平均值。伪代码如下:
创建k个点作为起始质心,可以随机选择(位于数据边界内)
当任意一个点的簇分配结果发生改变时
对数据集中每一个点
对每个质心
计算质心与数据点之间的距离
将数据点分配到距其最近的簇
对每一个簇,计算簇中所有点的均值并将均值作为质心
再看实际的代码:
#导入numpy库 from numpy import * #K-均值聚类辅助函数 #文本数据解析函数 def numpy import * dataMat=[] fr=open(fileName) for line in fr.readlines(): curLine=line.strip().split('\t') #将每一行的数据映射成float型 fltLine=map(float,curLine) dataMat.append(fltLine) return dataMat #数据向量计算欧式距离 def distEclud(vecA,vecB): return sqrt(sum(power(vecA-vecB,2))) #随机初始化K个质心(质心满足数据边界之内) def randCent(dataSet,k): #得到数据样本的维度 n=shape(dataSet)[1] #初始化为一个(k,n)的矩阵 centroids=mat(zeros((k,n))) #遍历数据集的每一维度 for j in range(n): #得到该列数据的最小值 minJ=min(dataSet[:,j]) #得到该列数据的范围(最大值-最小值) rangeJ=float(max(dataSet[:,j])-minJ) #k个质心向量的第j维数据值随机为位于(最小值,最大值)内的某一值 centroids[:,j]=minJ+rangeJ*random.rand(k,1) #返回初始化得到的k个质心向量 return centroids #k-均值聚类算法 #@dataSet:聚类数据集 #@k:用户指定的k个类 #@distMeas:距离计算方法,默认欧氏距离distEclud() #@createCent:获得k个质心的方法,默认随机获取randCent() def kMeans(dataSet,k,distMeas=distEclud,createCent=randCent): #获取数据集样本数 m=shape(dataSet)[0] #初始化一个(m,2)的矩阵 clusterAssment=mat(zeros((m,2))) #创建初始的k个质心向量 centroids=createCent(dataSet,k) #聚类结果是否发生变化的布尔类型 clusterChanged=True #只要聚类结果一直发生变化,就一直执行聚类算法,直至所有数据点聚类结果不变化 while clusterChanged: #聚类结果变化布尔类型置为false clusterChanged=False #遍历数据集每一个样本向量 for i in range(m): #初始化最小距离最正无穷;最小距离对应索引为-1 minDist=inf;minIndex=-1 #循环k个类的质心 for j in range(k): #计算数据点到质心的欧氏距离 distJI=distMeas(centroids[j,:],dataSet[i,:]) #如果距离小于当前最小距离 if distJI<minDist: #当前距离定为当前最小距离;最小距离对应索引对应为j(第j个类) minDist=distJI;minIndex=j #当前聚类结果中第i个样本的聚类结果发生变化:布尔类型置为true,继续聚类算法 if clusterAssment[i,0] !=minIndex:clusterChanged=True #更新当前变化样本的聚类结果和平方误差 clusterAssment[i,:]=minIndex,minDist**2 #打印k-均值聚类的质心 print centroids #遍历每一个质心 for cent in range(k): #将数据集中所有属于当前质心类的样本通过条件过滤筛选出来 ptsInClust=dataSet[nonzero(clusterAssment[:,0].A==cent)[0]] #计算这些数据的均值(axis=0:求列的均值),作为该类质心向量 centroids[cent,:]=mean(ptsInClust,axis=0) #返回k个聚类,聚类结果及误差 return centroids,clusterAssment
需要说明的是,在算法中,相似度的计算方法默认的是欧氏距离计算,当然也可以使用其他相似度计算函数,比如余弦距离;算法中,k个类的初始化方式为随机初始化,并且初始化的质心必须在整个数据集的边界之内,这可以通过找到数据集每一维的最大值和最小值;然后最小值+取值范围*0到1的随机数,来确保随机点在数据边界之内。
在实际的K-means算法中,采用计算质心-分配-重新计算质心的方式反复迭代,算法停止的条件是,当然数据集所有的点分配的距其最近的簇不在发生变化时,就停止分配,更新所有簇的质心后,返回k个类的质心(一般是向量的形式)组成的质心列表,以及存储各个数据点的分类结果和误差距离的平方的二维矩阵。
上面返回的结果中,之所以存储每个数据点距离其质心误差距离平方,是便于后续的算法预处理。因为K-means算法采取的是随机初始化k个簇的质心的方式,因此聚类效果又可能陷入局部最优解的情况,局部最优解虽然效果不错,但不如全局最优解的聚类效果更好。所以,后续会在算法结束后,采取相应的后处理,使算法跳出局部最优解,达到全局最优解,获得最好的聚类效果。
可以看一个聚类的例子:
3 后处理提高聚类性能
有时候当我们观察聚类的结果图时,发现聚类的效果没有那么好,如上图所示,K-means算法在k值选取为3时的聚类结果,我们发现,算法能够收敛但效果较差。显然,这种情况的原因是,算法收敛到了局部最小值,而并不是全局最小值,局部最小值显然没有全局最小值的结果好。
那么,既然知道了算法已经陷入了局部最小值,如何才能够进一步提升K-means算法的效果呢?
一种用于度量聚类效果的指标是SSE,即误差平方和, 为所有簇中的全部数据点到簇中心的误差距离的平方累加和。SSE的值如果越小,表示数据点越接近于它们的簇中心,即质心,聚类效果也越好。因为,对误差取平方后,就会更加重视那些远离中心的数据点。
显然,我们知道了一种改善聚类效果的做法就是降低SSE,那么如何在保持簇数目不变的情况下提高簇的质量呢?
一种方法是:我们可以将具有最大SSE值得簇划分为两个簇(因为,SSE最大的簇一般情况下,意味着簇内的数据点距离簇中心较远),具体地,可以将最大簇包含的点过滤出来并在这些点上运行K-means算法,其中k设为2.
同时,当把最大的簇(上图中的下半部分)分为两个簇之后,为了保证簇的数目是不变的,我们可以再合并两个簇。具体地:
一方面我们可以合并两个最近的质心所对应的簇,即计算所有质心之间的距离,合并质心距离最近的两个质心所对应的簇。
另一方面,我们可以合并两个使得SSE增幅最小的簇,显然,合并两个簇之后SSE的值会有所上升,那么为了最好的聚类效果,应该尽可能使总的SSE值小,所以就选择合并两个簇后SSE涨幅最小的簇。具体地,就是计算合并任意两个簇之后的总得SSE,选取合并后最小的SSE对应的两个簇进行合并。这样,就可以满足簇的数目不变。
上面,是对已经聚类完成的结果进行改善的方法,在不改变k值的情况下,上述方法能够起到一定的作用,会使得聚类效果得到一定的改善。那么,下面要讲到的是一种克服算法收敛于局部最小值问题的K-means算法。即二分k-均值算法。
三,二分K-means算法
二分K-means算法首先将所有点作为一个簇,然后将簇一分为二。之后选择其中一个簇继续进行划分,选择哪一个簇取决于对其进行划分是否能够最大程度的降低SSE的值。上述划分过程不断重复,直至划分的簇的数目达到用户指定的值为止。
二分K-means算法的伪代码如下:
将所有点看成一个簇 当簇数目小于k时 对于每一个簇 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之后的总误差 选择使得总误差最小的簇进行划分
当然,也可以选择SSE最大的簇进行划分,知道簇数目达到用户指定的数目为止。下面看具体的代码:
#二分K-均值聚类算法 #@dataSet:待聚类数据集 #@k:用户指定的聚类个数 #@distMeas:用户指定的距离计算方法,默认为欧式距离计算 def biKmeans(dataSet,k,distMeas=distEclud): #获得数据集的样本数 m=shape(dataSet)[0] #初始化一个元素均值0的(m,2)矩阵 clusterAssment=mat(zeros((m,2))) #获取数据集每一列数据的均值,组成一个长为列数的列表 centroid0=mean(dataSet,axis=0).tolist()[0] #当前聚类列表为将数据集聚为一类 centList=[centroid0] #遍历每个数据集样本 for j in range(m): #计算当前聚为一类时各个数据点距离质心的平方距离 clusterAssment[j,1]=distMeas(mat(centroid0),dataSet[j,:])**2 #循环,直至二分k-均值达到k类为止 while (len(centList)<k): #将当前最小平方误差置为正无穷 lowerSSE=inf #遍历当前每个聚类 for i in range(len(centList)): #通过数组过滤筛选出属于第i类的数据集合 ptsInCurrCluster=\ dataSet[nonzero(clusterAssment[:,0].A==i)[0],:] #对该类利用二分k-均值算法进行划分,返回划分后结果,及误差 centroidMat,splitClustAss=\ kMeans(ptsInCurrCluster,2,distMeas) #计算该类划分后两个类的误差平方和 sseSplit=sum(splitClustAss[:,1]) #计算数据集中不属于该类的数据的误差平方和 sseNotSplit=\ sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1]) #打印这两项误差值 print('sseSplit,and notSplit:',%(sseSplit,sseNotSplit)) #划分第i类后总误差小于当前最小总误差 if(sseSplit+sseNotSplit)<lowerSSE: #第i类作为本次划分类 bestCentToSplit=i #第i类划分后得到的两个质心向量 bestNewCents=centroidMat #复制第i类中数据点的聚类结果即误差值 bestClustAss=splitClustAss.copy() #将划分第i类后的总误差作为当前最小误差 lowerSSE=sseSplit+sseNotSplit #数组过滤筛选出本次2-均值聚类划分后类编号为1数据点,将这些数据点类编号变为 #当前类个数+1,作为新的一个聚类 bestClustAss[nonzero(bestClustAss[:,0].A==1)[0],0]=\ len(centList) #同理,将划分数据集中类编号为0的数据点的类编号仍置为被划分的类编号,使类编号 #连续不出现空缺 bestClustAss[nonzero(bestClustAss[:,0].A==0)[0],0]=\ bestCentToSplit #打印本次执行2-均值聚类算法的类 print('the bestCentToSplit is:',%bestCentToSplit) #打印被划分的类的数据个数 print('the len of bestClustAss is:',%(len(bestClustAss))) #更新质心列表中的变化后的质心向量 centList[bestCentToSplit]=bestNewCents[0,:] #添加新的类的质心向量 centList.append(bestNewCents[1,:]) #更新clusterAssment列表中参与2-均值聚类数据点变化后的分类编号,及数据该类的误差平方 clusterAssment[nonzero(clusterAssment[:,0].A==\ bestCentToSplit)[0],:]=bestClustAss #返回聚类结果 return mat(centList),clusterAssment
在上述算法中,直到簇的数目达到k值,算法才会停止。在算法中通过将所有的簇进行划分,然后分别计算划分后所有簇的误差。选择使得总误差最小的那个簇进行划分。划分完成后,要更新簇的质心列表,数据点的分类结果及误差平方。具体地,假设划分的簇为m(m<k)个簇中的第i个簇,那么这个簇分成的两个簇后,其中一个取代该被划分的簇,成为第i个簇,并计算该簇的质心;此外,将划分得到的另外一个簇,作为一个新的簇,成为第m+1个簇,并计算该簇的质心。此外,算法中还存储了各个数据点的划分结果和误差平方,此时也应更新相应的存储信息。这样,重复该过程,直至簇个数达到k。
通过上述算法,之前陷入局部最小值的的这些数据,经过二分K-means算法多次划分后,逐渐收敛到全局最小值,从而达到了令人满意的聚类效果。
四,示例:对地图上的点进行聚类
现在有一个存有70个地址和城市名的文本,而没有这些地点的距离信息。而我们想要对这些地点进行聚类,找到每个簇的质心地点,从而可以安排合理的行程,即质心之间选择交通工具抵达,而位于每个质心附近的地点就可以采取步行的方法抵达。显然,K-means算法可以为我们找到一种更加经济而且高效的出行方式。
1 通过地址信息获取相应的经纬度信息
那么,既然没有地点之间的距离信息,怎么计算地点之间的距离呢?又如何比较地点之间的远近呢?
我们手里只有各个地点的地址信息,那么如果有一个API,可以让我们输入地点信息,返回该地点的经度和纬度信息,那么我们就可以通过球面距离计算方法得到两个地点之间的距离了。而Yahoo!PlaceFinder API可以帮助我们实现这一目标。获取地点信息对应经纬度的代码如下:
#Yahoo!PlaceFinder API #导入urllib import urllib #导入json模块 import json #利用地名,城市获取位置经纬度函数 def geoGrab(stAddress,city): #获取经纬度网址 apiStem='http://where.yahooapis.com/geocode?' #初始化一个字典,存储相关参数 params={} #返回类型为json params['flags']='J' #参数appid params['appid']='ppp68N8t' #参数地址位置信息 params['location']=('%s %s', %(stAddress,city)) #利用urlencode函数将字典转为URL可以传递的字符串格式 url_params=urllib.urlencode(params) #组成完整的URL地址api yahooApi=apiStem+url_params #打印该URL地址 print('%s',yahooApi) #打开URL,返回json格式的数据 c=urllib.urlopen(yahooApi) #返回json解析后的数据字典 return json.load(c.read()) from time import sleep #具体文本数据批量地址经纬度获取函数 def massPlaceFind(fileName): #新建一个可写的文本文件,存储地址,城市,经纬度等信息 fw=open('places.txt','wb+') #遍历文本的每一行 for line in open(fileName).readlines(); #去除首尾空格 line =line.strip() #按tab键分隔开 lineArr=line.split('\t') #利用获取经纬度函数获取该地址经纬度 retDict=geoGrab(lineArr[1],lineArr[2]) #如果错误编码为0,表示没有错误,获取到相应经纬度 if retDict['ResultSet']['Error']==0: #从字典中获取经度 lat=float(retDict['ResultSet']['Results'][0]['latitute']) #维度 lng=float(retDict['ResultSet']['Results'][0]['longitute']) #打印地名及对应的经纬度信息 print('%s\t%f\t%f',%(lineArr[0],lat,lng)) #将上面的信息存入新的文件中 fw.write('%s\t%f\t%f\n',%(line,lat,lng)) #如果错误编码不为0,打印提示信息 else:print('error fetching') #为防止频繁调用API,造成请求被封,使函数调用延迟一秒 sleep(1) #文本写入关闭 fw.close()
在上述代码中,首先创建一个字典,字典里面存储的是通过URL获取经纬度所必要的参数,即我们想要的返回的数据格式flogs=J;获取数据的appid;以及要输入的地址信息(stAddress,city)。然后,通过urlencode()函数帮助我们将字典类型的信息转化为URL可以传递的字符串格式。最后,打开URL获取返回的JSON类型数据,通过JSON工具来解析返回的数据。且在返回的结果中,当错误编码为0时表示,得到了经纬度信息,而为其他值时,则表示返回经纬度信息失败。
此外,在代码中,每次获取完一个地点的经纬度信息后,延迟一秒钟。这样做的目的是为了避免频繁的调用API,请求被封掉的情况。
2 对地理位置进行聚类
我们已经得到了各个地点的经纬度信息,但是我们还要选择计算距离的合适的方式。我们知道,在北极每走几米的经度变化可能达到数十度,而沿着赤道附近走相同的距离,带来的经度变化可能是零。这是,我们可以使用球面余弦定理来计算两个经纬度之间的实际距离。具体代码如下:
#球面距离计算及簇绘图函数 def distSLC(vecA,vecB): #sin()和cos()以弧度未输入,将float角度数值转为弧度,即*pi/180 a=sin(vecA[0,1]*pi/180)*sin(vecB[0,1]*pi/180) b=cos(vecA[0,1]*pi/180)*cos(vecB[0,1]*pi/180)*\ cos(pi*(vecB[0,0]-vecA[0,0])/180) return arcos(a+b)*6371.0 import matplotlib import matplotlib.pyplot as plt #@numClust:聚类个数,默认为5 def clusterClubs(numClust=5): datList=[] #解析文本数据中的每一行中的数据特征值 for line in open('places.txt').readlines(): lineArr=line.split('\t') datList.append([float(lineArr[4]),float(lineArr[4])]) datMat=mat(datList) #利用2-均值聚类算法进行聚类 myCentroids,clusterAssing=biKmeans(datMat,numClust,\ distMeas=distSLC) #对聚类结果进行绘图 fig=plt.figure() rect=[0.1,0.1,0.8,0.8] scatterMarkers=['s','o','^','8'.'p',\ 'd','v','h','>','<'] axprops=dict(xticks=[],ytick=[]) ax0=fig.add_axes(rect,label='ax0',**axprops) imgP=plt.imread('Portland.png') ax0.imshow(imgP) ax1=fig.add_axes(rect,label='ax1',frameon=False) for i in range(numClust): ptsInCurrCluster=datMat[nonzero(clusterAssing[:,0].A==i)[0],:] markerStyle=scatterMarkers[i % len(scatterMarkers))] ax1.scatter(ptsInCurrCluster[:,0].flatten().A[0],\ ptsInCurrCluster[:,1].flatten().A[0],\ marker=markerStyle,s=90) ax1.scatter(myCentroids[:,0].flatten().A[0],\ myCentroids[:,1].flatten().A[0],marker='+',s=300) #绘制结果显示 plt.show()
最后,将聚类的结果绘制出来:
五,小结
1 聚类是一种无监督的学习方法。聚类区别于分类,即事先不知道要寻找的内容,没有预先设定好的目标变量。
2 聚类将数据点归到多个簇中,其中相似的数据点归为同一簇,而不相似的点归为不同的簇。相似度的计算方法有很多,具体的应用选择合适的相似度计算方法
3 K-means聚类算法,是一种广泛使用的聚类算法,其中k是需要指定的参数,即需要创建的簇的数目,K-means算法中的k个簇的质心可以通过随机的方式获得,但是这些点需要位于数据范围内。在算法中,计算每个点到质心得距离,选择距离最小的质心对应的簇作为该数据点的划分,然后再基于该分配过程后更新簇的质心。重复上述过程,直至各个簇的质心不再变化为止。
4 K-means算法虽然有效,但是容易受到初始簇质心的情况而影响,有可能陷入局部最优解。为了解决这个问题,可以使用另外一种称为二分K-means的聚类算法。二分K-means算法首先将所有数据点分为一个簇;然后使用K-means(k=2)对其进行划分;下一次迭代时,选择使得SSE下降程度最大的簇进行划分;重复该过程,直至簇的个数达到指定的数目为止。实验表明,二分K-means算法的聚类效果要好于普通的K-means聚类算法。