聚类K-Means和大数据集的Mini Batch K-Means算法
- import numpy as np
- from sklearn.datasets import make_blobs
- from sklearn.cluster import KMeans
- from sklearn.metrics import pairwise_distances
- import matplotlib.pyplot as plt
- import matplotlib as mpl
- from cycler import cycler
- from .tools import discrete_scatter
- from .plot_2d_separator import plot_2d_classification
- from .plot_helpers import cm3
- def plot_kmeans_algorithm():
- X, y = make_blobs(random_state=1)
- # we don't want cyan in there
- with mpl.rc_context(rc={'axes.prop_cycle': cycler('color', ['#0000aa',
- '#ff2020',
- '#50ff50'])}):
- fig, axes = plt.subplots(3, 3, figsize=(10, 8), subplot_kw={'xticks': (), 'yticks': ()})
- axes = axes.ravel()
- axes[0].set_title("Input data")
- discrete_scatter(X[:, 0], X[:, 1], ax=axes[0], markers=['o'], c='w')
- axes[1].set_title("Initialization")
- init = X[:3, :]
- discrete_scatter(X[:, 0], X[:, 1], ax=axes[1], markers=['o'], c='w')
- discrete_scatter(init[:, 0], init[:, 1], [0, 1, 2], ax=axes[1],
- markers=['^'], markeredgewidth=2)
- axes[2].set_title("Assign Points (1)")
- km = KMeans(n_clusters=3, init=init, max_iter=1, n_init=1).fit(X)
- centers = km.cluster_centers_
- # need to compute labels by hand. scikit-learn does two e-steps for max_iter=1
- # (and it's totally my fault)
- labels = np.argmin(pairwise_distances(init, X), axis=0)
- discrete_scatter(X[:, 0], X[:, 1], labels, markers=['o'],
- ax=axes[2])
- discrete_scatter(init[:, 0], init[:, 1], [0, 1, 2],
- ax=axes[2], markers=['^'], markeredgewidth=2)
- axes[3].set_title("Recompute Centers (1)")
- discrete_scatter(X[:, 0], X[:, 1], labels, markers=['o'],
- ax=axes[3])
- discrete_scatter(centers[:, 0], centers[:, 1], [0, 1, 2],
- ax=axes[3], markers=['^'], markeredgewidth=2)
- axes[4].set_title("Reassign Points (2)")
- km = KMeans(n_clusters=3, init=init, max_iter=1, n_init=1).fit(X)
- labels = km.labels_
- discrete_scatter(X[:, 0], X[:, 1], labels, markers=['o'],
- ax=axes[4])
- discrete_scatter(centers[:, 0], centers[:, 1], [0, 1, 2],
- ax=axes[4], markers=['^'], markeredgewidth=2)
- km = KMeans(n_clusters=3, init=init, max_iter=2, n_init=1).fit(X)
- axes[5].set_title("Recompute Centers (2)")
- centers = km.cluster_centers_
- discrete_scatter(X[:, 0], X[:, 1], labels, markers=['o'],
- ax=axes[5])
- discrete_scatter(centers[:, 0], centers[:, 1], [0, 1, 2],
- ax=axes[5], markers=['^'], markeredgewidth=2)
- axes[6].set_title("Reassign Points (3)")
- labels = km.labels_
- discrete_scatter(X[:, 0], X[:, 1], labels, markers=['o'],
- ax=axes[6])
- markers = discrete_scatter(centers[:, 0], centers[:, 1], [0, 1, 2],
- ax=axes[6], markers=['^'],
- markeredgewidth=2)
- axes[7].set_title("Recompute Centers (3)")
- km = KMeans(n_clusters=3, init=init, max_iter=3, n_init=1).fit(X)
- centers = km.cluster_centers_
- discrete_scatter(X[:, 0], X[:, 1], labels, markers=['o'],
- ax=axes[7])
- discrete_scatter(centers[:, 0], centers[:, 1], [0, 1, 2],
- ax=axes[7], markers=['^'], markeredgewidth=2)
- axes[8].set_axis_off()
- axes[8].legend(markers, ["Cluster 0", "Cluster 1", "Cluster 2"], loc='best')
- def plot_kmeans_boundaries():
- X, y = make_blobs(random_state=1)
- init = X[:3, :]
- km = KMeans(n_clusters=3, init=init, max_iter=2, n_init=1).fit(X)
- discrete_scatter(X[:, 0], X[:, 1], km.labels_, markers=['o'])
- discrete_scatter(km.cluster_centers_[:, 0], km.cluster_centers_[:, 1],
- [0, 1, 2], markers=['^'], markeredgewidth=2)
- plot_2d_classification(km, X, cm=cm3, alpha=.4)
- def plot_kmeans_faces(km, pca, X_pca, X_people, y_people, target_names):
- n_clusters = 10
- image_shape = (87, 65)
- fig, axes = plt.subplots(n_clusters, 11, subplot_kw={'xticks': (), 'yticks': ()},
- figsize=(10, 15), gridspec_kw={"hspace": .3})
- for cluster in range(n_clusters):
- center = km.cluster_centers_[cluster]
- mask = km.labels_ == cluster
- dists = np.sum((X_pca - center) ** 2, axis=1)
- dists[~mask] = np.inf
- inds = np.argsort(dists)[:5]
- dists[~mask] = -np.inf
- inds = np.r_[inds, np.argsort(dists)[-5:]]
- axes[cluster, 0].imshow(pca.inverse_transform(center).reshape(image_shape), vmin=0, vmax=1)
- for image, label, asdf, ax in zip(X_people[inds], y_people[inds],
- km.labels_[inds], axes[cluster, 1:]):
- ax.imshow(image.reshape(image_shape), vmin=0, vmax=1)
- ax.set_title("%s" % (target_names[label].split()[-1]), fontdict={'fontsize': 9})
- # add some boxes to illustrate which are similar and which dissimilar
- rec = plt.Rectangle([-5, -30], 73, 1295, fill=False, lw=2)
- rec = axes[0, 0].add_patch(rec)
- rec.set_clip_on(False)
- axes[0, 0].text(0, -40, "Center")
- rec = plt.Rectangle([-5, -30], 385, 1295, fill=False, lw=2)
- rec = axes[0, 1].add_patch(rec)
- rec.set_clip_on(False)
- axes[0, 1].text(0, -40, "Close to center")
- rec = plt.Rectangle([-5, -30], 385, 1295, fill=False, lw=2)
- rec = axes[0, 6].add_patch(rec)
- rec.set_clip_on(False)
- axes[0, 6].text(0, -40, "Far from center")
过程解析:
在大数据集的情况下还可以使用scikit-learn 提供了MiniBatchKMeans算法,大致思想就是对数据进行抽样,每次不使用所有的数据来计算,这就会导致准确率的损失。
MiniBatchKmeans 继承自Kmeans 因为MiniBathcKmeans 本质上还利用了Kmeans 的思想.从构造方法和文档大致能看到这些参数的含义,了解了这些参数会对使用的时候有很大的帮助。batch_size 是每次选取的用于计算的数据的样本量,默认为100.Mini Batch K-Means算法是K-Means算法的变种,采用小批量的数据子集减小计算时间,同时仍试图优化目标函数,这里所谓的小批量是指每次训练算法时所随机抽取的数据子集,采用这些随机产生的子集进行训练算法,大大减小了计算时间,与其他算法相比,减少了k-均值的收敛时间,小批量k-均值产生的结果,一般只略差于标准算法。
代码只需要修改一行:
- clf = MiniBatchKMeans(n_clusters = 3)
聚类K-Means和大数据集的Mini Batch K-Means算法的更多相关文章
- 转载: scikit-learn学习之K-means聚类算法与 Mini Batch K-Means算法
版权声明:<—— 本文为作者呕心沥血打造,若要转载,请注明出处@http://blog.csdn.net/gamer_gyt <—— 目录(?)[+] ================== ...
- 数学建模及机器学习算法(一):聚类-kmeans(Python及MATLAB实现,包括k值选取与聚类效果评估)
一.聚类的概念 聚类分析是在数据中发现数据对象之间的关系,将数据进行分组,组内的相似性越大,组间的差别越大,则聚类效果越好.我们事先并不知道数据的正确结果(类标),通过聚类算法来发现和挖掘数据本身的结 ...
- R处理大数据集
R会把所有的对象读存入虚拟内存中.对我们大多数用户来说,这种设计可以提高与R相互的速度,但是当分析大数据集时,这种设计会降低程序运行速度有时还会产生跟内存相关的错误. 内存限制主要取决于R的build ...
- centos7 ambari2.6.1.5+hdp2.6.4.0 大数据集群安装部署
前言 本文是讲如何在centos7(64位) 安装ambari+hdp,如果在装有原生hadoop等集群的机器上安装,需要先将集群服务停掉,然后将不需要的环境变量注释掉即可,如果不注释掉,后面虽然可以 ...
- CDH版本大数据集群下搭建Hue(hadoop-2.6.0-cdh5.5.4.gz + hue-3.9.0-cdh5.5.4.tar.gz)(博主推荐)
不多说,直接上干货! 我的集群机器情况是 bigdatamaster(192.168.80.10).bigdataslave1(192.168.80.11)和bigdataslave2(192.168 ...
- 大数据集群Linux CentOS 7.6 系统调优篇
大数据集群Linux CentOS 7.6 系统调优篇 作者:尹正杰 版权声明:原创作品,谢绝转载!否则将追究法律责任. 一.设置主机hosts文件 1>.修改主机名 [root@node100 ...
- 使用ansible部署CDH 5.15.1大数据集群
使用ansible离线部署CDH 5.15.1大数据集群 作者:尹正杰 版权声明:原创作品,谢绝转载!否则将追究法律责任. 在此之前,我之前分享过使用shell自定义脚本部署大数据集群,不管是部署CD ...
- FineReport层式报表解决大数据集展示问题攻略
本文以填报报表为例,通过分页的方式,来解决大数据集展示的问题. 实现的思想就是通过在SQL里筛选部分数据库数据,以达到浏览器可以合理的展示报表页面.(数据分段,语句我这采用的是MYSQL,如果要用其他 ...
- 【网站运营】网站被K的原因大总结
对于广大的站长来说网站被K或者是被降权是经常有的事情,不过我基本上还没有看见过Google的K站情况,也就是给网站降个权什么的处罚.如果你是用了很严重的作弊手段的话,那指定会是被Google给K掉的. ...
随机推荐
- PHP导出数据库sql文件,add和update
/*** 导出sql文件*/public function exportSql(){ //需要导出的数据库表存入到数组当中 $tables =array("T_CRM_QUEUE_F ...
- service worker(二)之主页面与service worker通信
实现一个主页面发送消息,worker搜到信息向所有的页面派发消息(当前页面除外) msg.html <!DOCTYPE html> <html lang="en" ...
- drf框架 - 解析模块 | 异常模块 | 响应模块
解析模块 为什么要配置解析模块 1)drf给我们提供了多种解析数据包方式的解析类 2)我们可以通过配置,来控制前台提交的哪些格式的数据后台在解析,哪些数据不解析 3)全局配置就是针对每一个视图类,局部 ...
- restful接口规范 | 基于restful的原生django接口
restful接口规范 接口 接口:联系两个物质的媒介,完成信息交互 web程序中:联系前台页面与后台数据库的媒介 web接口组成: - url:长得像返回数据的url链接 - 请求参数:前台按照指定 ...
- LightOJ - 1246 - Colorful Board(DP)
链接: https://vjudge.net/problem/LightOJ-1246 题意: You are given a rectangular board. You are asked to ...
- springboot开发人员工具(自动重启及相关的配置)
导入依赖: <dependencies> <dependency> <groupId>org.springframework.boot</groupId> ...
- ArrayList 集合的几种遍历的方法
ArrayList 集合 也可称作动态数组(长度可变),在新建的时候是没有默认长度的,在新增数据长度小于10的时候,ArrayList 的长度会自动设置为10 //了解更多可以按住Ctrl 再点击你 ...
- 97: cf 983E 倍增+树套树
$des$一棵 $n$ 个点的树,树上有 $m$ 条双向的公交线路,每条公交线路都在两个节点之间沿最短路径往返.$q$ 次询问从一个点要到达另一个点,在只坐公交的情况下,至少需要坐几辆公交车:或者判断 ...
- 洛谷P1039侦探推理题解
#include<cstdio> #include<cstring> #include<string> #include<iostream> using ...
- 笔记-读官方Git教程(1)~认识Git
小书匠版本管理 教程内容基本来自git官方教程,认真都了系列的文章,然后对一些重点的记录下来,做了简单的归纳并写上自己的思考. 目录: 1.Git介绍 2.Git版本控制原理 3.Git特点 4.Gi ...