K_Means聚类算法

sklearn是机器学习中一个常用的python第三方模块，对常用的机器学习算法进行了封装
其中包括：
1.分类（Classification）
2.回归（Regression）
3.聚类（Clustering）
4.数据降维（Dimensionality reduction）
5.常用模型（Model selection）
6.数据预处理（Preprocessing）

 

 

skleran安装

使用pip安装，terminal直接执行即可

pip install -U scikit-learn

使用Anaconda安装，推荐Anaconda，因为里面已经内置了NumPy，SciPy等常用工具

conda install scikit-learn

安装完成后可以在python中检查一下版本，import sklearn不报错，则表示安装成功

>>import sklearn
>>sklearn.__version__
'0.19.1'

获取数据

机器学习算法往往需要大量的数据，在skleran中获取数据通常采用两种方式，一种是使用自带的数据集，另一种是创建数据集

导入数据集

sklearn自带了很多数据集，可以用来对算法进行测试分析，免去了自己再去找数据集的烦恼
其中包括：
鸢尾花数据集:load_iris()
手写数字数据集:load_digitals()
糖尿病数据集:load_diabetes()
乳腺癌数据集:load_breast_cancer()
波士顿房价数据集:load_boston()
体能训练数据集:load_linnerud()

这里以鸢尾花数据集为例导入数据集

#导入sklearn的数据集

import sklearn.datasets as sk_datasets

iris = sk_datasets.load_iris()

iris_X = iris.data #导入数据
iris_y = iris.target #导入标签

 

# -*- coding: utf-8 -*-
from sklearn.cluster import KMeans
from sklearn.externals import joblib
import numpy

final = open('c:/test/final.dat' , 'r')

data = [line.strip().split('\t') for line in final]
feature = [[float(x) for x in row[3:]] for row in data]

#调用kmeans类
clf = KMeans(n_clusters=9)
s = clf.fit(feature)
print s

#9个中心
print clf.cluster_centers_

#每个样本所属的簇
print clf.labels_

#用来评估簇的个数是否合适，距离越小说明簇分的越好，选取临界点的簇个数
print clf.inertia_

#进行预测
print clf.predict(feature)

#保存模型
joblib.dump(clf , 'c:/km.pkl')

#载入保存的模型
clf = joblib.load('c:/km.pkl')

'''
#用来评估簇的个数是否合适，距离越小说明簇分的越好，选取临界点的簇个数
for i in range(5,30,1):
    clf = KMeans(n_clusters=i)
    s = clf.fit(feature)
    print i , clf.inertia_
'''

• 初学者讲解如下： 

参考http://www.cnblogs.com/meelo/p/4272677.html 
sklearn对于所有的机器学习算法有一个一致的接口，一般需要以下几个步骤来进行学习： 
1、初始化分类器，根据不同的算法，需要给出不同的参数，一般所有的参数都有一个默认值。 

（1）对于K均值聚类，我们需要给定类别的个数n_cluster，默认值为8； 
（2）max_iter为迭代的次数，这里设置最大迭代次数为300； 
（3）n_init设为10意味着进行10次随机初始化，选择效果最好的一种来作为模型； 
（4） init=’k-means++’ 会由程序自动寻找合适的n_clusters； 
（5）tol：float形，默认值= 1e-4，与inertia结合来确定收敛条件； 
（6）n_jobs：指定计算所用的进程数； 
（7）verbose 参数设定打印求解过程的程度，值越大，细节打印越多； 
（8）copy_x：布尔型，默认值=True。当我们precomputing distances时，将数据中心化会得到更准确的结果。如果把此参数值设为True，则原始数据不会被改变。如果是False，则会直接在原始数据 
上做修改并在函数返回值时将其还原。但是在计算过程中由于有对数据均值的加减运算，所以数据返回后，原始数据和计算前可能会有细小差别。 
属性： 

（1）cluster_centers_：向量，[n_clusters, n_features] 
Coordinates of cluster centers (每个簇中心的坐标？？)； 
（2）Labels_:每个点的分类； 
（3）inertia_：float，每个点到其簇的质心的距离之和。 
比如我的某次代码得到结果： 
 
2、对于非监督机器学习，输入的数据是样本的特征，clf.fit(X)就可以把数据输入到分类器里。 

3、用分类器对未知数据进行分类，需要使用的是分类器的predict方法。

# -*- coding: utf-8 -*-
from sklearn.cluster import KMeans
from sklearn.externals import joblib
import numpy

final = open('c:/test/final.dat' , 'r')

data = [line.strip().split('\t') for line in final]
feature = [[float(x) for x in row[3:]] for row in data]

#调用kmeans类
clf = KMeans(n_clusters=9)
s = clf.fit(feature)
print s

#9个中心
print clf.cluster_centers_

#每个样本所属的簇
print clf.labels_

#用来评估簇的个数是否合适，距离越小说明簇分的越好，选取临界点的簇个数
print clf.inertia_

#进行预测
print clf.predict(feature)

#保存模型
joblib.dump(clf , 'c:/km.pkl')

#载入保存的模型
clf = joblib.load('c:/km.pkl')

'''
#用来评估簇的个数是否合适，距离越小说明簇分的越好，选取临界点的簇个数
for i in range(5,30,1):
    clf = KMeans(n_clusters=i)
    s = clf.fit(feature)
    print i , clf.inertia_
'''

该篇记录笔记，参考：http://blog.itpub.net/12199764/viewspace-1479320/ 

https://www.jianshu.com/p/a9168803edc6  和  https://blog.csdn.net/EleanorWiser/article/details/70226704 

感谢他们，如果有侵权立马删