数据挖掘算法—K-Means算法

Posted 2022-10-26

一位读者建议多分享一些具体算法相关的内容，这期分享一下数据挖掘相关的算法。

简介

又叫K-均值算法，是非监督学习中的聚类算法。

基本思想

k-means算法比较简单。在k-means算法中，用cluster来表示簇；容易证明k-means算法收敛等同于所有质心不再发生变化。基本的k-means算法流程如下：

选取k个初始质心（作为初始cluster，每个初始cluster只包含一个点）；  

repeat：  

    对每个样本点，计算得到距其最近的质心，将其类别标为该质心所对应的cluster；  

    重新计算k个cluster对应的质心（质心是cluster中样本点的均值）；  

until 质心不再发生变化  

repeat的次数决定了算法的迭代次数。实际上，k-means的本质是最小化目标函数，目标函数为每个点到其簇质心的距离的平方和：

N是元素个数，x表示元素，c(j)表示第j簇的质心

算法复杂度

时间复杂度是O(nkt) ,其中n代表元素个数，t代表算法迭代的次数，k代表簇的数目

优缺点

优点

简单、快速；

对大数据集有较高的效率并且是可伸缩性的；

时间复杂度近于线性，适合挖掘大规模数据集。

缺点

k-means是局部最优，因而对初始质心的选取敏感；

选择能达到目标函数最优的k值是非常困难的。

代码

# coding:utf-8

import numpy as np
import matplotlib.pyplot as plt


def loadDataSet(fileName):
    
    加载测试数据集，返回一个列表，列表的元素是一个坐标
    
    dataList = []
    with open(fileName) as fr:
        for line in fr.readlines():
            curLine = line.strip().split(\\t)
            fltLine = list(map(float, curLine))
            dataList.append(fltLine)
    return dataList


def randCent(dataSet, k):
    
    随机生成k个初始的质心
    
    n = np.shape(dataSet)[1]  # n表示数据集的维度
    centroids = np.mat(np.zeros((k, n)))
    for j in range(n):
        minJ = min(dataSet[:, j])
        rangeJ = float(max(dataSet[:, j]) - minJ)
        centroids[:, j] = np.mat(minJ + rangeJ * np.random.rand(k, 1))
    return centroids


def kMeans(dataSet, k):
    
    KMeans算法，返回最终的质心坐标和每个点所在的簇
    
    m = np.shape(dataSet)[0]  # m表示数据集的长度（个数）
    clusterAssment = np.mat(np.zeros((m, 2)))

    centroids = randCent(dataSet, k)  # 保存k个初始质心的坐标
    clusterChanged = True
    iterIndex = 1  # 迭代次数
    while clusterChanged:
        clusterChanged = False
        for i in range(m):
            minDist = np.inf
            minIndex = -1
            for j in range(k):
                distJI = np.linalg.norm(np.array(centroids[j, :]) - np.array(dataSet[i, :]))
                if distJI < minDist:
                    minDist = distJI
                    minIndex = j
            if clusterAssment[i, 0] != minIndex: clusterChanged = True
            clusterAssment[i, :] = minIndex, minDist ** 2
            print("第%d次迭代后%d个质心的坐标:\\n%s" % (iterIndex, k, centroids))  # 第一次迭代的质心坐标就是初始的质心坐标
            iterIndex += 1
        for cent in range(k):
            ptsInClust = dataSet[np.nonzero(clusterAssment[:, 0].A == cent)[0]]  # get all the point in this cluster
            centroids[cent, :] = np.mean(ptsInClust, axis=0)
    return centroids, clusterAssment


def showCluster(dataSet, k, centroids, clusterAssment):
    
    数据可视化,只能画二维的图（若是三维的坐标图则直接返回1）
    
    numSamples, dim = dataSet.shape
    if dim != 2:
        return 1

    mark = [or, ob, og, ok, oy, om, oc, ^r, +r, sr, dr, <r, pr]

    # draw all samples
    for i in range(numSamples):
        markIndex = int(clusterAssment[i, 0])
        plt.plot(dataSet[i, 0], dataSet[i, 1], mark[markIndex])

    mark = [Pr, Pb, Pg, Pk, Py, Pm, Pc, ^b, +b, sb, db, <b, pb]
    # draw the centroids
    for i in range(k):
        plt.plot(centroids[i, 0], centroids[i, 1], mark[i], markersize=12)

    plt.show()


if __name__ == __main__:
    dataMat = np.mat(loadDataSet(./data.txt))  # mat是numpy中的函数，将列表转化成矩阵
    k = 6  # 选定k值，也就是簇的个数（可以指定为其他数）
    cent, clust = kMeans(dataMat, k)
    showCluster(dataMat, k, cent, clust)

txt内容为：

1.658985  4.285136
-3.453687  3.424321
4.838138  -1.151539
-5.379713  -3.362104
0.972564  2.924086
-3.567919  1.531611
0.450614  -3.302219
-3.487105  -1.724432
2.668759  1.594842
-3.156485  3.191137
3.165506  -3.999838
-2.786837  -3.099354
4.208187  2.984927
-2.123337  2.943366
0.704199  -0.479481
-0.392370  -3.963704
2.831667  1.574018
-0.790153  3.343144
2.943496  -3.357075
-3.195883  -2.283926
2.336445  2.875106
-1.786345  2.554248
2.190101  -1.906020
-3.403367  -2.778288
1.778124  3.880832
-1.688346  2.230267
2.592976  -2.054368
-4.007257  -3.207066
2.257734  3.387564
-2.679011  0.785119
0.939512  -4.023563
-3.674424  -2.261084
2.046259  2.735279
-3.189470  1.780269
4.372646  -0.822248
-2.579316  -3.497576
1.889034  5.190400
-0.798747  2.185588
2.836520  -2.658556
-3.837877  -3.253815
2.096701  3.886007
-2.709034  2.923887
3.367037  -3.184789
-2.121479  -4.232586
2.329546  3.179764
-3.284816  3.273099
3.091414  -3.815232
-3.762093  -2.432191
3.542056  2.778832
-1.736822  4.241041
2.127073  -2.983680
-4.323818  -3.938116
3.792121  5.135768
-4.786473  3.358547
2.624081  -3.260715
-4.009299  -2.978115
2.493525  1.963710
-2.513661  2.642162
1.864375  -3.176309
-3.171184  -3.572452
2.894220  2.489128
-2.562539  2.884438
3.491078  -3.947487
-2.565729  -2.012114
3.332948  3.983102
-1.616805  3.573188
2.280615  -2.559444
-2.651229  -3.103198
2.321395  3.154987
-1.685703  2.939697
3.031012  -3.620252
-4.599622  -2.185829
4.196223  1.126677
-2.133863  3.093686
4.668892  -2.562705
-2.793241  -2.149706
2.884105  3.043438
-2.967647  2.848696
4.479332  -1.764772
-4.905566  -2.911070

​结果为：

k=5时

k=6时

收录于合集 #算法

个

上一篇GPS抽稀之道格拉斯-普克（Douglas-Peuker)算法下一篇Matlab RBF神经网络及其实例

​