最近在学机器学习，看了好多天书发现完全看不懂。然后就跟着敲代码，居然可以理解一点了。在代码上做笔记，好像理解得更多了。我把代码笔记po上来吧
test.txt，数据集
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
k-means.py
from numpy import *
import math
import matplotlib.pyplot as plt
def loadDataSet(filename):
fr = open(filename)
lines = fr.readlines()
dataMat = []
for line in lines:
result = line.strip().split(' ')
fltline = map(float,result)
dataMat.append(fltline)
return dataMat
def distEclud(vecA,vecB):
return sqrt(sum(power(vecA-vecB,2)))#欧式距离
def randCent(dataSet,k):
n = shape(dataSet)[1]#n=列数
centroids = mat(zeros((k,n)))
for j in range(n):
minJ = min(dataSet[:,j])#一列中最小的值
rangeJ = float(max(dataSet[:,j])-minJ)#一列中最大减去最小，取差值
centroids[:,j] = minJ + rangeJ*random.rand(k,1)#最小值加上（差值*（0,1））把聚类点控制在范围之内
return centroids
def kMeans(dataSet,k,distMeas = distEclud,creatCent = randCent):
m = shape(dataSet)[0]
clusterAssment = mat(zeros((m,2)))# 建立80个簇分配结果矩阵，第一列存索引，第二列存距离值
centroids = creatCent(dataSet,k)#建立聚类点，k个聚类点
clusterChanged = True#如果簇有改变，则为真
while clusterChanged:#循环
clusterChanged = False
for i in range(m):
minDist = inf
minIndex = -1
for j in range(k):
distJI = distMeas(centroids[j,:],dataSet[i,:])#计算聚类点与数据点距离,k个centroids与80个数据样本进行比较
#k为2时候，dataSet有80行数据。每一行dataSet都与centroids[0],centroids[1]进行比较取距离最小值，标记为一个簇
if distJI < minDist:
minDist = distJI#取最小值
minIndex = j
if clusterAssment[i,0] != minIndex:#对比索引，如果簇是最小值，则停止更新了
clusterChanged = True
clusterAssment[i,:] = minIndex,minDist**2#存最新簇
for cent in range(k):
ptsInClust = []
ptsInClust = dataSet[nonzero(clusterAssment[:,0].A== cent)[0]] # nonzeros(a==k)返回数组a中值不为k的元素的下标
centroids[cent,:] = mean(ptsInClust,axis=0)
#for j in range(m):
#if clusterAssment[j,0]==cent: clusterAssment的第一列为index，与cent进行比较，相同则为同一簇。80行clusterAssment与cent比较
#ptsInClust.append(dataSet[j].tolist()[0])
#ptsInClust = mat(ptsInClust)
return centroids,clusterAssment
然后直接进行测试吧
由于我使用的是ipython notebook 所以下面的代码不需要import任何东西了
dataMat =mat(loadDataSet('test.txt'))
myCentroids,clustAssment = kMeans(dataMat,2)
plt.figure(2) #创建图表2
ax3 = plt.subplot() # 图表2中创建子图1
plt.title("biK-means Scatter")
plt.xlabel('x')
plt.ylabel('y')
ax3.scatter(dataMat[:,0],dataMat[:,1],color='b',marker='o',s=100)
#plt.scatter(x, y, s=area, c=colors, alpha=0.5)
ax3.scatter(myCentroids[:,0],myCentroids[:,1],color='r',marker='o',s=200,label='Cluster & K=2')
#显示label位置的函数
ax3.legend(loc='upper right')
plt.show()
index.png
思路整理一下
数据集有80行坐标，建立k个点，这里我默认两个聚类点
两个聚类点，每个都要与80行坐标进行距离比较，取最小值minDist以及索引minIndex
然后接下来的
if clusterAssment[i,0] != minIndex:
clusterChanged
如果不是同一簇，簇变动为真。这一行有点费解，分析一下：
初始化的簇分配矩阵是80行2列，值全为0的矩阵。80行都要重新分配结果，区分簇。如果某一行索引不等于最小值索引，那就是还没有进行分配。
这个while循环系统,是在进行六次以后停止的。我前面的分析被推翻了。
为什么簇会改变呢？
终于想通了！下面的聚类点centroids是通过计算均值而变化得出的。而distJI距离是通过聚类点与80行坐标进行比较得出的。
初始的聚类点centroids是随机产生，然后它每次都会更新，产生新的minDist，minIndex。
新的minIndex会与上次循环形成的簇clusterAssment的Index比较，
不是同一个簇就会clusterChanged为真，让循环继续，直到新的minIndex与上一轮的一样，则停止循环。
80行坐标，每一行都存入两个聚类点比较之后的最小值以及索引，通过索引区分不同的簇。