K-means高维聚类与PCA降维

查了很多博客，发现网上给出的K-means都是二维数据，没有高维示例，所以笔者将抄来的二维模板稍修改了一下，把Python实现的K-means高维聚类贴出来与大家共享，同时附一点PCA的实现（调用了三维作图，没有安包的可以删掉三维图）

K-means高维聚类

老师留的题目
Automatically determine the best cluster number K in k-means.
• Generate 1000 random N-Dimensional points;
• Try different K number;
• Compute SSE;
• Plot K-SSE figure;
• Choose the best K number (how to choose?).
Try different N number: 2, 3, 5, 10 Write the code in Jupyter Notebook Give me the screenshot of the code and results in Jupyter Notebook

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
N=2                                                #维度

def distance_fun(p1, p2, N):
    result=0
    for i in range(0,N):
        result=result+((p1[i]-p2[i])**2)
    return np.sqrt(result)

def mean_fun(a):
     return np.mean(a,axis=0)

def farthest(center_arr, arr):
    f = [0, 0]
    max_d = 0
    for e in arr:
        d = 0
        for i in range(center_arr.__len__()):
            d = d + np.sqrt(distance_fun(center_arr[i], e, N))
        if d > max_d:
            max_d = d
            f = e
    return f

def closest(a, arr):
    c = arr[1]
    min_d = distance_fun(a, arr[1])
    arr = arr[1:]
    for e in arr:
        d = distance_fun(a, e)
        if d < min_d:
            min_d = d
            c = e
    return c


if __name__=="__main__":
    
    
    arr = np.random.randint(0,10000, size=(1000, 1, N))[:, 0, :]   #1000个0-10000随机数
    '''
    block1=  np.random.randint(0,2000, size=(100, 1, N))[:, 0, :]     #分区间生成随机数
    block2 = np.random.randint(2000,4000, size=(100, 1, N))[:, 0, :]
    block3 = np.random.randint(4000,6000, size=(100, 1, N))[:, 0, :]
    block4 = np.random.randint(6000,8000, size=(100, 1, N))[:, 0, :]
    block5 = np.random.randint(8000,10000, size=(100, 1, N))[:, 0, :]
    arr=np.vstack((block1,block2,block3,block4,block5))
    '''

    ## 初始化聚类中心和聚类容器
    K = 5
    r = np.random.randint(arr.__len__() - 1)
    center_arr = np.array([arr[r]])
    cla_arr = [[]]
    for i in range(K-1):
        k = farthest(center_arr, arr)
        center_arr = np.concatenate([center_arr, np.array([k])])
        cla_arr.append([])

    ## 迭代聚类
    n = 20
    cla_temp = cla_arr
    for i in range(n):    
        for e in arr:    
            ki = 0        
            min_d = distance_fun(e, center_arr[ki],N)
            for j in range(1, center_arr.__len__()):
                if distance_fun(e, center_arr[j],N) < min_d:    
                    min_d = distance_fun(e, center_arr[j],N)
                    ki = j
            cla_temp[ki].append(e)

        for k in range(center_arr.__len__()):
            if n - 1 == i:
                break
            center_arr[k] = mean_fun(cla_temp[k])
            cla_temp[k] = []

    if N>=2:
       print(N,'维数据前两维投影') 
    col = ['gold', 'blue', 'violet', 'cyan', 'red','black','lime','brown','silver']
    plt.figure(figsize=(10, 10))
    for i in range(K):
        plt.scatter(center_arr[i][0], center_arr[i][1], color=col[i])
        plt.scatter([e[0] for e in cla_temp[i]], [e[1] for e in cla_temp[i]], color=col[i])
    plt.show()
    
    if N>=3:
        print(N,'维数据前三维投影')
        fig = plt.figure(figsize=(8, 8))
        ax = Axes3D(fig)
        for i in range(K):
            ax.scatter(center_arr[i][0], center_arr[i][1], center_arr[i][2], color=col[i])
            ax.scatter([e[0] for e in cla_temp[i]], [e[1] for e in cla_temp[i]],[e[2] for e in cla_temp[i]], color=col[i])
        plt.show()
    
    print(N,'维')
    for i in range(K):
        print('第',i+1,'个聚类中心坐标：')
        for j in range(0,N):
            print(center_arr[i][j])

首先解释一下代码，N为生成随机数字的维数，K为聚类中心数。
随机数我设定了两个部分，一个是0-10000完全随机数，另一个是0-10000均分成五个区间生成随机数。为什么要这么做呢？因为这样可以判别分类结果的正确与否。

如图
这是K=5时的完全随机数结果，可以看到初步分类正确

K=5时三维的完全随机数结果，可以看到初步分类正确

下面我们用区间生成随机数，这样可以直观地判别均值迭代好坏


可以看到分区间产生的随机数能够非常好地展示出算法的准确性，说明迭代的效果是理想的。

下面我们来看更高维情况，如果N>=4时，图像没有办法直观显示了，我们只能依次取出N中的3维或2维做投影来观察。为了直接验证高维情况的正确与否，我们不再一张张地作图，而是直接判断聚类中心的坐标是否在随机数区间内。（此时就体现出分区间的随机数据及其重要）

5个聚类中心都在理想区间内，结果同样正确。

更新补一下：SSE的实现

sse[i]=sse[i]+distance_fun(e, center_arr[ki],N)

在迭代中加个数组存放每次残差平方和数据
SSE图像大致如下：

很多时候会有小小的波折，暂时还没想清楚数学原理

PCA

题目
• Generate 5,00,000 random points with 200-D
• Dimension reduction to keep 90% energy using PCA
• Report how many dimensions are kept
• Compute k-means (k=100)
• Compare brute force NN and kd-tree, and report their running time
• Python, Jupyter Notebook

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
N=200                                                #维度                   

def distance_fun(p1, p2, N):
    result=0
    for i in range(0,N):
        result=result+((p1[i]-p2[i])**2)
    return np.sqrt(result)

def mean_fun(a):
     return np.mean(a,axis=0)

def farthest(center_arr, arr):
    f = [0, 0]
    max_d = 0
    for e in arr:
        d = 0
        for i in range(center_arr.__len__()):
            d = d + np.sqrt(distance_fun(center_arr[i], e, N))
        if d > max_d:
            max_d = d
            f = e
    return f

def closest(a, arr):
    c = arr[1]
    min_d = distance_fun(a, arr[1])
    arr = arr[1:]
    for e in arr:
        d = distance_fun(a, e)
        if d < min_d:
            min_d = d
            c = e
    return c

def pca(XMat):
    average = mean_fun(XMat) 
    m, n = np.shape(XMat)
    data_adjust = []
    avgs = np.tile(average, (m, 1))
    data_adjust = XMat - avgs
    covX = np.cov(data_adjust.T)   #计算协方差矩阵
    featValue, featVec=  np.linalg.eig(covX)  #求解协方差矩阵的特征值和特征向量
    index = np.argsort(-featValue) #依照featValue进行从大到小排序
    
    sumfeatvalue=sum(index)
    sumt=0
    k=0
    while(sumt<0.9*sumfeatvalue):
        sumt+=index[k]
        k+=1
        
    finalData = []
    selectVec = np.matrix(featVec.T[index]) #所以这里须要进行转置
    finalData = data_adjust * selectVec.T 
    reconData = (finalData * selectVec) + average  
    
    return finalData, reconData,k

def plotBestFit(data1, data2):    
    dataArr1 = np.array(data1)
    dataArr2 = np.array(data2)

    m = np.shape(dataArr1)[0]
    axis_x1 = []
    axis_y1 = []
    axis_x2 = []
    axis_y2 = []
    for i in range(m):
        axis_x1.append(dataArr1[i,0])
        axis_y1.append(dataArr1[i,1])
        axis_x2.append(dataArr2[i,0]) 
        axis_y2.append(dataArr2[i,1])                 
    fig = plt.figure(figsize=(10, 10))
    ax = fig.add_subplot(111)
    #ax.scatter(axis_x1, axis_y1, s=50, c='red', marker='s')
    ax.scatter(axis_x2, axis_y2, s=1, c='blue')
    plt.show()  
    
if __name__ == "__main__":
    '''
    arr = np.random.randint(0,10000, size=(1000, 1, N))[:, 0, :]
    XMat=arr
    
    '''
    block1=  np.random.randint(0,2000, size=(100000, 1, N))[:, 0, :]     #分区间生成随机数
    block2 = np.random.randint(2000,4000, size=(100000, 1, N))[:, 0, :]
    block3 = np.random.randint(4000,6000, size=(100000, 1, N))[:, 0, :]
    block4 = np.random.randint(6000,8000, size=(100000, 1, N))[:, 0, :]
    block5 = np.random.randint(8000,10000, size=(100000, 1, N))[:, 0, :]
    XMat=np.vstack((block1,block2,block3,block4,block5))
    
    
    
  
    finalData, reconMat,pcaN = pca(XMat) 
    plotBestFit(finalData, reconMat)   #输出前两维切片检查效果
    print('降维到：',pcaN)

由于数据量很大，计算时间在几十秒左右，降维后200维大概到150维左右。PCA控制有两种方法，一种是根据特征值保留量计算应降维数，就像本题中的0.9。或者可以指定下降后维数，可以直接定量转换，但这种方法在实际中很不常用，因为当数据维度很高时，我们是无法直观的预知应降的维数的。代码中作图有两个部分，未偏移的降维数据和偏移后的降维数据，前者我注释掉了，可以跟据需求自己修改。

下面皮一下，200维降到二维看一下图像（只展示偏移后降维数据）：

可以看到，分区间随机数的特征值基本还保留，效果蛮好，继续K-means也可以得到较好的结果，但这并不意味着我们可以直接指定下降后的维数。因为实际问题中的分类。远远比这简单的五个区间复杂，肆意指定维数会造成不可预计的数据丢失。