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。

机器学习中有两类的大问题，一个是分类，一个是聚类。分类是根据一些给定的已知类别标号的样本，训练某种学习机器，使它能够对未知类别的样本进行分类。这属于supervised learning（监督学习）。而聚类指事先并不知道任何样本的类别标号，希望通过某种算法来把一组未知类别的样本划分成若干类别，这在机器学习中被称作 unsupervised learning （无监督学习）。在本文中，我们关注其中一个比较简单的聚类算法：k-means算法。

一、k-means算法

通常，人们根据样本间的某种距离或者相似性来定义聚类，即把相似的（或距离近的）样本聚为同一类，而把不相似的（或距离远的）样本归在其他类。

我们以一个二维的例子来说明下聚类的目的。如下图左所示，假设我们的n个样本点分布在图中所示的二维空间。从数据点的大致形状可以看出它们大致聚为三个cluster，其中两个紧凑一些，剩下那个松散一些。我们的目的是为这些数据分组，以便能区分出属于不同的簇的数据，如果按照分组给它们标上不同的颜色，就是像下图右边的图那样：

如果人可以看到像上图那样的数据分布，就可以轻松进行聚类。但我们怎么教会计算机按照我们的思维去做同样的事情呢？这里就介绍个集简单和经典于一身的k-means算法。

k-means算法是一种很常见的聚类算法，它的基本思想是：通过迭代寻找k个聚类的一种划分方案，使得用这k个聚类的均值来代表相应各类样本时所得的总体误差最小。

k-means算法的基础是最小误差平方和准则。其代价函数是：

式中，μc(i)表示第i个聚类的均值。我们希望代价函数最小，直观的来说，各类内的样本越相似，其与该类均值间的误差平方越小，对所有类所得到的误差平方求和，即可验证分为k类时，各聚类是否是最优的。

上式的代价函数无法用解析的方法最小化，只能有迭代的方法。k-means算法是将样本聚类成 k个簇（cluster），其中k是用户给定的，其求解过程非常直观简单，具体算法描述如下：

1、随机选取 k个聚类质心点

2、重复下面过程直到收敛  {

对于每一个样例 i，计算其应该属于的类：

对于每一个类 j，重新计算该类的质心：

}

下图展示了对n个样本点进行K-means聚类的效果，这里k取2。

其伪代码如下：

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

创建k个点作为初始的质心点（随机选择）

当任意一个点的簇分配结果发生改变时

对数据集中的每一个数据点

对每一个质心

计算质心与数据点的距离

将数据点分配到距离最近的簇

对每一个簇，计算簇中所有点的均值，并将均值作为质心

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

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：

kmeans.py

  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. from numpy import *
  9. import time
  10. import matplotlib.pyplot as plt
  11. # calculate Euclidean distance
  12. def euclDistance(vector1, vector2):
  13. return sqrt(sum(power(vector2 - vector1,
    2)))
  14. # init centroids with random samples
  15. def initCentroids(dataSet, k):
  16. numSamples, dim = dataSet.shape
  17. centroids = zeros((k, dim))
  18. for i in range(k):
  19. index = int(random.uniform(0, numSamples))
  20. centroids[i, :] = dataSet[index, :]
  21. return centroids
  22. # k-means cluster
  23. def kmeans(dataSet, k):
  24. numSamples = dataSet.shape[0]
  25. # first column stores which cluster this sample belongs to,
  26. # second column stores the error between this sample and its centroid
  27. clusterAssment = mat(zeros((numSamples, 2)))
  28. clusterChanged = True
  29. ## step 1: init centroids
  30. centroids = initCentroids(dataSet, k)
  31. while clusterChanged:
  32. clusterChanged = False
  33. ## for each sample
  34. for i in xrange(numSamples):
  35. minDist  = 100000.0
  36. minIndex = 0
  37. ## for each centroid
  38. ## step 2: find the centroid who is closest
  39. for j in range(k):
  40. distance = euclDistance(centroids[j, :], dataSet[i, :])
  41. if distance < minDist:
  42. minDist  = distance
  43. minIndex = j
  44. ## step 3: update its cluster
  45. if clusterAssment[i,
    0] != minIndex:
  46. clusterChanged = True
  47. clusterAssment[i, :] = minIndex, minDist**2
  48. ## step 4: update centroids
  49. for j in range(k):
  50. pointsInCluster = dataSet[nonzero(clusterAssment[:,
    0].A == j)[0]]
  51. centroids[j, :] = mean(pointsInCluster, axis =
    0)
  52. print 'Congratulations, cluster complete!'
  53. return centroids, clusterAssment
  54. # show your cluster only available with 2-D data
  55. def showCluster(dataSet, k, centroids, clusterAssment):
  56. numSamples, dim = dataSet.shape
  57. if dim != 2:
  58. print "Sorry! I can not draw because the dimension of your data is not 2!"
  59. return 1
  60. mark = ['or', 'ob',
    'og', 'ok',
    '^r', '+r',
    'sr', 'dr',
    '<r', 'pr']
  61. if k > len(mark):
  62. print "Sorry! Your k is too large! please contact Zouxy"
  63. return 1
  64. # draw all samples
  65. for i in xrange(numSamples):
  66. markIndex = int(clusterAssment[i,
    0])
  67. plt.plot(dataSet[i, 0], dataSet[i,
    1], mark[markIndex])
  68. mark = ['Dr', 'Db',
    'Dg', 'Dk',
    '^b', '+b',
    'sb', 'db',
    '<b', 'pb']
  69. # draw the centroids
  70. for i in range(k):
  71. plt.plot(centroids[i, 0], centroids[i,
    1], mark[i], markersize = 12)
  72. plt.show()
#################################################

# kmeans: k-means cluster

# Author : zouxy

# Date   : 2013-12-25

# HomePage : http://blog.csdn.net/zouxy09

# Email  : zouxy09@qq.com

#################################################

from numpy import *

import time

import matplotlib.pyplot as plt

# calculate Euclidean distance

def euclDistance(vector1, vector2):

	return sqrt(sum(power(vector2 - vector1, 2)))

# init centroids with random samples

def initCentroids(dataSet, k):

	numSamples, dim = dataSet.shape

	centroids = zeros((k, dim))

	for i in range(k):

		index = int(random.uniform(0, numSamples))

		centroids[i, :] = dataSet[index, :]

	return centroids

# k-means cluster

def kmeans(dataSet, k):

	numSamples = dataSet.shape[0]

	# first column stores which cluster this sample belongs to,

	# second column stores the error between this sample and its centroid

	clusterAssment = mat(zeros((numSamples, 2)))

	clusterChanged = True

	## step 1: init centroids

	centroids = initCentroids(dataSet, k)

	while clusterChanged:

		clusterChanged = False

		## for each sample

		for i in xrange(numSamples):

			minDist  = 100000.0

			minIndex = 0

			## for each centroid

			## step 2: find the centroid who is closest

			for j in range(k):

				distance = euclDistance(centroids[j, :], dataSet[i, :])

				if distance < minDist:

					minDist  = distance

					minIndex = j

			## step 3: update its cluster

			if clusterAssment[i, 0] != minIndex:

				clusterChanged = True

				clusterAssment[i, :] = minIndex, minDist**2

		## step 4: update centroids

		for j in range(k):

			pointsInCluster = dataSet[nonzero(clusterAssment[:, 0].A == j)[0]]

			centroids[j, :] = mean(pointsInCluster, axis = 0)

	print 'Congratulations, cluster complete!'

	return centroids, clusterAssment

# show your cluster only available with 2-D data

def showCluster(dataSet, k, centroids, clusterAssment):

	numSamples, dim = dataSet.shape

	if dim != 2:

		print "Sorry! I can not draw because the dimension of your data is not 2!"

		return 1

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

	if k > len(mark):

		print "Sorry! Your k is too large! please contact Zouxy"

		return 1

	# draw all samples

	for i in xrange(numSamples):

		markIndex = int(clusterAssment[i, 0])

		plt.plot(dataSet[i, 0], dataSet[i, 1], mark[markIndex])

	mark = ['Dr', 'Db', 'Dg', 'Dk', '^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()

三、测试结果

测试数据是二维的，共80个样本。有4个类。如下：

testSet.txt

  1. 1.658985    4.285136
  2. -3.453687   3.424321
  3. 4.838138    -1.151539
  4. -5.379713   -3.362104
  5. 0.972564    2.924086
  6. -3.567919   1.531611
  7. 0.450614    -3.302219
  8. -3.487105   -1.724432
  9. 2.668759    1.594842
  10. -3.156485   3.191137
  11. 3.165506    -3.999838
  12. -2.786837   -3.099354
  13. 4.208187    2.984927
  14. -2.123337   2.943366
  15. 0.704199    -0.479481
  16. -0.392370   -3.963704
  17. 2.831667    1.574018
  18. -0.790153   3.343144
  19. 2.943496    -3.357075
  20. -3.195883   -2.283926
  21. 2.336445    2.875106
  22. -1.786345   2.554248
  23. 2.190101    -1.906020
  24. -3.403367   -2.778288
  25. 1.778124    3.880832
  26. -1.688346   2.230267
  27. 2.592976    -2.054368
  28. -4.007257   -3.207066
  29. 2.257734    3.387564
  30. -2.679011   0.785119
  31. 0.939512    -4.023563
  32. -3.674424   -2.261084
  33. 2.046259    2.735279
  34. -3.189470   1.780269
  35. 4.372646    -0.822248
  36. -2.579316   -3.497576
  37. 1.889034    5.190400
  38. -0.798747   2.185588
  39. 2.836520    -2.658556
  40. -3.837877   -3.253815
  41. 2.096701    3.886007
  42. -2.709034   2.923887
  43. 3.367037    -3.184789
  44. -2.121479   -4.232586
  45. 2.329546    3.179764
  46. -3.284816   3.273099
  47. 3.091414    -3.815232
  48. -3.762093   -2.432191
  49. 3.542056    2.778832
  50. -1.736822   4.241041
  51. 2.127073    -2.983680
  52. -4.323818   -3.938116
  53. 3.792121    5.135768
  54. -4.786473   3.358547
  55. 2.624081    -3.260715
  56. -4.009299   -2.978115
  57. 2.493525    1.963710
  58. -2.513661   2.642162
  59. 1.864375    -3.176309
  60. -3.171184   -3.572452
  61. 2.894220    2.489128
  62. -2.562539   2.884438
  63. 3.491078    -3.947487
  64. -2.565729   -2.012114
  65. 3.332948    3.983102
  66. -1.616805   3.573188
  67. 2.280615    -2.559444
  68. -2.651229   -3.103198
  69. 2.321395    3.154987
  70. -1.685703   2.939697
  71. 3.031012    -3.620252
  72. -4.599622   -2.185829
  73. 4.196223    1.126677
  74. -2.133863   3.093686
  75. 4.668892    -2.562705
  76. -2.793241   -2.149706
  77. 2.884105    3.043438
  78. -2.967647   2.848696
  79. 4.479332    -1.764772
  80. -4.905566   -2.911070
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

测试代码：

test_kmeans.py

  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. from numpy import *
  9. import time
  10. import matplotlib.pyplot as plt
  11. ## step 1: load data
  12. print "step 1: load data..."
  13. dataSet = []
  14. fileIn = open('E:/Python/Machine Learning in Action/testSet.txt')
  15. for line in fileIn.readlines():
  16. lineArr = line.strip().split('\t')
  17. dataSet.append([float(lineArr[0]), float(lineArr[1])])
  18. ## step 2: clustering...
  19. print "step 2: clustering..."
  20. dataSet = mat(dataSet)
  21. k = 4
  22. centroids, clusterAssment = kmeans(dataSet, k)
  23. ## step 3: show the result
  24. print "step 3: show the result..."
  25. showCluster(dataSet, k, centroids, clusterAssment)
#################################################

# kmeans: k-means cluster

# Author : zouxy

# Date   : 2013-12-25

# HomePage : http://blog.csdn.net/zouxy09

# Email  : zouxy09@qq.com

#################################################

from numpy import *

import time

import matplotlib.pyplot as plt

## step 1: load data

print "step 1: load data..."

dataSet = []

fileIn = open('E:/Python/Machine Learning in Action/testSet.txt')

for line in fileIn.readlines():

	lineArr = line.strip().split('\t')

	dataSet.append([float(lineArr[0]), float(lineArr[1])])

## step 2: clustering...

print "step 2: clustering..."

dataSet = mat(dataSet)

k = 4

centroids, clusterAssment = kmeans(dataSet, k)

## step 3: show the result

print "step 3: show the result..."

showCluster(dataSet, k, centroids, clusterAssment)

运行的前后结果是：

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。

四、算法分析

k-means算法比较简单，但也有几个比较大的缺点：

（1）k值的选择是用户指定的，不同的k得到的结果会有挺大的不同，如下图所示，左边是k=3的结果，这个就太稀疏了，蓝色的那个簇其实是可以再划分成两个簇的。而右图是k=5的结果，可以看到红色菱形和蓝色菱形这两个簇应该是可以合并成一个簇的：

（2）对k个初始质心的选择比较敏感，容易陷入局部最小值。例如，我们上面的算法运行的时候，有可能会得到不同的结果，如下面这两种情况。K-means也是收敛了，只是收敛到了局部最小值：

（3）存在局限性，如下面这种非球状的数据分布就搞不定了：

（4）数据库比较大的时候，收敛会比较慢。

k-means老早就出现在江湖了。所以以上的这些不足也被世人的目光敏锐的捕捉到，并融入世人的智慧进行了某种程度上的改良。例如问题（1）对k的选择可以先用一些算法分析数据的分布，如重心和密度等，然后选择合适的k。而对问题（2），有人提出了另一个成为二分k均值（bisecting k-means）算法，它对初始的k个质心的选择就不太敏感，这个算法我们下一个博文再分析和实现。

机器学习算法与Python实践之（五）k均值聚类（k-means）的更多相关文章

  1. 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 ...

  2. 机器学习算法与Python实践之（四）支持向量机（SVM）实现

    机器学习算法与Python实践之(四)支持向量机(SVM)实现 机器学习算法与Python实践之(四)支持向量机(SVM)实现 zouxy09@qq.com http://blog.csdn.net/ ...

  3. 机器学习算法与Python实践之（三）支持向量机（SVM）进阶

    机器学习算法与Python实践之(三)支持向量机(SVM)进阶 机器学习算法与Python实践之(三)支持向量机(SVM)进阶 zouxy09@qq.com http://blog.csdn.net/ ...

  4. 机器学习算法与Python实践之（七）逻辑回归（Logistic Regression）

    http://blog.csdn.net/zouxy09/article/details/20319673 机器学习算法与Python实践之(七)逻辑回归(Logistic Regression) z ...

  5. 机器学习算法与Python实践之（二）支持向量机（SVM）初级

    机器学习算法与Python实践之(二)支持向量机(SVM)初级 机器学习算法与Python实践之(二)支持向量机(SVM)初级 zouxy09@qq.com http://blog.csdn.net/ ...

  6. 探索sklearn | K均值聚类

    1 K均值聚类 K均值聚类是一种非监督机器学习算法,只需要输入样本的特征 ,而无需标记. K均值聚类首先需要随机初始化K个聚类中心,然后遍历每一个样本,将样本归类到最近的一个聚类中,一个聚类中样本特征 ...

  7. 机器学习实战---K均值聚类算法

    一:一般K均值聚类算法实现 (一)导入数据 import numpy as np import matplotlib.pyplot as plt def loadDataSet(filename): ...

  8. 机器学习之路：python k均值聚类 KMeans 手写数字

    python3 学习使用api 使用了网上的数据集,我把他下载到了本地 可以到我的git中下载数据集: https://github.com/linyi0604/MachineLearning 代码: ...

  9. 100天搞定机器学习|day44 k均值聚类数学推导与python实现

    [如何正确使用「K均值聚类」? 1.k均值聚类模型 给定样本,每个样本都是m为特征向量,模型目标是将n个样本分到k个不停的类或簇中,每个样本到其所属类的中心的距离最小,每个样本只能属于一个类.用C表示 ...

随机推荐

  1. Cocos2D两个方法的重构一例

    大熊猫猪·侯佩原创或翻译作品.欢迎转载,转载请注明出处. 如果觉得写的不好请多提意见,如果觉得不错请多多支持点赞.谢谢! hopy ;) 在RPG游戏项目的GameSpace类中原来有一个方法: -( ...

  2. Dynamics CRM2015 Custom Code Validation Tool工具的使用

    工具下载地址:https://www.microsoft.com/en-us/download/details.aspx?id=45535 下载后双击exe文件解压后里面会有个zip文件,将文件导入系 ...

  3. Axure实现淡入淡出效果

    小伙伴们有可能在各大网站看到淡入淡出效果的动画,比如淘宝.京东,淘宝每天会把各种打折促销.今日推荐.限时抢购等做成淡入淡入或者向右活动等类似翻页的效果放在首页,吸引顾客的眼球,那么如何使用Axure来 ...

  4. UNIX环境高级编程——互斥量属性

    互斥量具有一些属性,通过修改这些属性可以控制锁的一些行为.缺省的互斥锁属性及其值如下: pshared:         PTHREAD_PROCESS_PRIVATE type:           ...

  5. Java中httpClient中三种超时设置

    本文章给大家介绍一下关于Java中httpClient中的三种超时设置小结 在Apache的HttpClient包中,有三个设置超时的地方: /* 从连接池中取连接的超时时间*/ ConnManage ...

  6. [Redmine] Centos5上安装Redmine3.0+nginx+thin部署

    项目管理的需要所以安装Redmine,其实wiki放在上面也不错的. 首先是安装,ruby应用第一次装,把坑记住. nginx, mysql是已经安装好的,只需要配置, 结合nginx的部署方式很多, ...

  7. Ext JS 6应用程序Build后出现“c is not a constructor return new c(a[0])”的处理

    概述 在对Ext JS 6的应用程序打包后,时不时会出现以下错误: 由于是压缩后出现的错误,要进行调试也无从下手,因而这个错误会令新手手足无措,不知道是怎么回事. 错误原因 造成该错误的主要原因是要创 ...

  8. Linux中的端口占用问题

    本文将会阐述两种解决端口占用的方法. 本文会用到的服务器端的程序如下: #include "unp.h" #include <time.h> int main(int ...

  9. Linux Debugging（四）: 使用GDB来理解C++ 对象的内存布局（多重继承，虚继承）

    前一段时间再次拜读<Inside the C++ Object Model> 深入探索C++对象模型,有了进一步的理解,因此我也写了四篇博文算是读书笔记: Program Transfor ...

  10. 软考之路--J2SE，从HelloWorld到传世代码

    "Hello World"程序指的是只在计算机屏幕上输出"Hello, World!"(意为"世界,你好!")这行字符串的计算机程序.hel ...