【機器學習】K-means聚類分析

2022-06-30 18:16:46

前言

聚類問題是無監督學習的問題,演演算法思想就是物以類聚,人以群分,聚類演演算法感知樣本間的相似度,進行類別歸納,對新輸入進行輸出預測,輸出變數取有限個離散值。本次我們使用兩種方法對鳶尾花資料進行聚類。

  • 無監督就是沒有標籤的進行分類

K-means 聚類演演算法

K-means聚類演演算法(k-均值或k-平均)聚類演演算法。演演算法思想就是首先隨機確定k箇中心點作為聚類中心,然後把每個資料點分配給最鄰近的中心點,分配完成後形成k個聚類,計算各個聚類的平均中心點,將其作為該聚類新的類中心點,然後迭代上述步驟知道分配過程不在產生變化。

演演算法流程

  • 隨機選擇K個隨機點(成為聚類中心)
  • 對資料集中的每個資料點,按照距離K箇中心點的距離,將其與距離最近的中心點關聯起來,與同一中心點關聯的所有點聚成一類
  • 計算每一組的均值,將改組所關聯的中心點移動到平均值位置
  • 重複上兩步,直至中心點不再發生變化

優缺點

優點:

  • 原理比較簡單,實現容易,收斂速度快
  • 聚類效果比較優
  • 演演算法可解釋度比較強
  • 主要需要調參的引數僅僅是簇數K

缺點:

  • K值選取不好把握
  • 不平衡資料集聚類效果不佳
  • 採用迭代方法,得到結果只是區域性最優
  • 對噪音和異常點比較敏感

鳶尾花聚類

資料集

資料集:資料集採用sklern中的資料集

資料集分佈圖:我們可以看出資料的大致分佈情況

使用sklearn中的模型

# 鳶尾花資料集 150 條資料

## 導包
import numpy as np
import matplotlib.pyplot as plt

# 匯入資料集包
from sklearn import datasets

from sklearn.cluster import KMeans

## 載入資料據集
iris = datasets.load_iris()

X = iris.data[:,:4]
print(X.shape)  # 150*4

## 繪製二維資料分佈圖
## 前兩個特徵

plt.scatter(X[:,0],X[:,1],c='red',marker='o',label='see')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend(loc=2)
plt.show()

'''
直接呼叫包
'''

## 範例化K-means類,並定義訓練函數
def Model(n_clusters):
    estimator = KMeans(n_clusters=n_clusters)
    return estimator
## 定義訓練韓碩
def train(estimator):
    estimator.fit(X)


## 訓練
estimator = Model(3)

## 開啟訓練擬合
train(estimator=estimator)


## 視覺化展示

label_pred = estimator.labels_ # 獲取聚類標籤

## 找到3中聚類結構
x0 = X[label_pred==0]
x1 = X[label_pred==1]
x2 = X[label_pred==2]

plt.scatter(x0[:,0],x0[:,1],c='red',marker='o',label='label0')
plt.scatter(x1[:,0],x1[:,1],c='green',marker='*',label='label1')
plt.scatter(x2[:,0],x2[:,1],c='blue',marker='+',label='label2')

plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend(loc=2)
plt.show()

聚類結果

我們可以看出聚類結果按照我們的要求分為了三類,分別使用紅、藍、綠三種顏色進行了展示!
聚類效果圖:

手寫K-means演演算法

# 鳶尾花資料集 150 條資料

## 導包
import numpy as np
import matplotlib.pyplot as plt

# 匯入資料集包
from sklearn import datasets

from sklearn.cluster import KMeans

## 載入資料據集
iris = datasets.load_iris()

X = iris.data[:,:4]
print(X.shape)  # 150*4

## 繪製二維資料分佈圖
## 前兩個特徵

plt.scatter(X[:,0],X[:,1],c='red',marker='o',label='see')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend(loc=2)
plt.show()

'''
直接手寫實現
'''

'''
1、隨機初始化 隨機尋找k個簇的中心
2、對這k箇中心進行聚類
3、重複1、2,知道中心達到穩定
'''

### 歐氏距離計算
def distEclud(x,y):
    return np.sqrt(np.sum((x-y)**2))

### 為資料集定義簇的中心
def randCent(dataSet,k):
    m,n = dataSet.shape
    centroids = np.zeros((k,n))
    for i in range(k):
        index = int(np.random.uniform(0,m))
        centroids[i,:] = dataSet[index,:]

    return centroids

## k均值聚類演演算法
def KMeans(dataSet,k):
    m = np.shape(dataSet)[0]

    clusterAssment = np.mat(np.zeros((m,2)))
    clusterChange = True

    ## 1 初始化質心centroids
    centroids = randCent(dataSet,k)

    while clusterChange:
        # 樣本所屬簇不在更新時停止迭代
        clusterChange = False

        # 遍歷所有樣本
        for i in range(m):
            minDist = 100000.0
            minIndex = -1

            # 遍歷所有質心
            # 2 找出最近質心
            for j in range(k):
                distance = distEclud(centroids[j,:],dataSet[i,:])
                if distance<minDist:
                    minDist = distance
                    minIndex = j

            # 更新該行所屬的簇
            if clusterAssment[i,0] != minIndex:
                clusterChange = True
                clusterAssment[i,:] = minIndex,minDist**2

        # 更新質心
        for j in range(k):
            pointsInCluster = dataSet[np.nonzero(clusterAssment[:,0].A == j)[0]] # 獲取對應簇類所有的點
            centroids[j,:] = np.mean(pointsInCluster,axis=0)

    print("cluster complete")
    return centroids,clusterAssment


def draw(data, center, assment):
    length = len(center)
    fig = plt.figure
    data1 = data[np.nonzero(assment[:,0].A == 0)[0]]
    data2 = data[np.nonzero(assment[:,0].A == 1)[0]]
    data3 = data[np.nonzero(assment[:,0].A == 2)[0]]

    # 選取前兩個資料繪製原始資料的散點

    plt.scatter(data1[:,0],data1[:,1],c='red',marker='o',label='label0')
    plt.scatter(data2[:,0],data2[:,1],c='green',marker='*',label='label1')
    plt.scatter(data3[:,0],data3[:,1],c='blue',marker='+',label='label2')

    # 繪製簇的質心點
    for i in range(length):
        plt.annotate('center',xy=(center[i,0],center[i,1]),xytext=(center[i,0]+1,center[i,1]+1),arrowprops=dict(facecolor='yellow'))

    plt.show()

    # 選取後兩個維度繪製原始資料散點圖
    plt.scatter(data1[:, 2], data1[:, 3], c='red', marker='o', label='label0')
    plt.scatter(data2[:, 2], data2[:, 3], c='green', marker='*', label='label1')
    plt.scatter(data3[:, 2], data3[:, 3], c='blue', marker='+', label='label2')

    # 繪製簇的質心點
    for i in range(length):
        plt.annotate('center', xy=(center[i, 2], center[i, 3]), xytext=(center[i, 2] + 1, center[i, 3] + 1),
                     arrowprops=dict(facecolor='yellow'))

    plt.show()


## 呼叫

dataSet = X
k = 3
centroids,clusterAssment = KMeans(dataSet,k)
draw(dataSet,centroids,clusterAssment)

效果圖展示

我們可以看到手寫實現的也通過三種顏色實現類,可以看出兩種方式實現結果是幾乎相同的。

  • 根據花萼長度花萼寬度聚類

  • 根據花瓣長度花瓣寬度聚類:

總結

我們既可以使用sklearn包中封裝好的模型進行聚類分析,也可以自己手寫實現,在某些問題上,兩者都可以達到相同的結果,我們對於不同的問題可以更合適的方法進行處理。