目录
一、关于聚类的基础描述
1.1 聚类与分类的区别
1.2 聚类的概念
1.3 聚类的步骤
二、几种常见的聚类算法
2.1 K-means聚类算法
1) K-means算法的流程:
2)K-means算法的优缺点及算法复杂度
3)K-means算法的调优与改进
4)K-means算法的python代码实现
2.2 GMM高斯混合模型聚类算法
2.3 Mean shift聚类算法
1)单点mean shift算法基本流程
2)整个数据集的meanshift聚类流程
3)meanshift聚类算法的优缺点及算法复杂度
4)meanshift在图像分割和目标跟踪领域的应用
5)单点meanshift的python代码实现
2.4 基于密度的DBSCAN聚类算法
1)DBSCAN算法的基本概念
2)DBSCAN的基本流程
3)DBSCAN的优缺点及算法复杂度
4)DBSCAN的代码实现
2.5谱聚类spectral clustering
聚类是一种无监督学习,即数据不需要有标签即可。它与分类不同,分类是对有标签的数据进行的,是一种有监督学习。这是两者的区别。(举个例子,一堆人站在这里,没有标签,我们可以采用聚类来对这群人分组,如选取身高这个指标来对他们聚类。而如果是分类,比如男女分,按照每个人的性别标签即可。聚类不需要标签,只要我们自己选择一个指标,按指标来分簇即可。)
聚类是按照某个指标(如样本之间的距离)把数据集分割成不同的类或者簇,使类内元素的相似性尽可能的大,类间元素的相似性尽可能小,通过这样来对相似的数据进行归簇,从而达到聚类的效果。
1.数据准备 : 特征标准化(白化)
2.特征选择 : 特征降维,选择最有效的特征
3.特征提取: 对选择的特征进行转换,提取出更有代表性的特征
4.聚类: 基于特定的度量函数进行相似度度量,使得同一类数据的相似度尽可能的贴近,不同类的数据尽可能分离,得到各个类的中心以及每个样本的类标签。
5.评估: 分析聚类结果,如距离误差和误差平方和(SSE)等
1.随机选取K个中心点
2.遍历数据集里面的每个点,看距离哪个中心点最近就分为哪一类,遍历完一共K类
3.把属于一类的点取平均值,得到的平均值作为新的中心点
4.然后不断重复步骤2,3,直到达到结束条件为止。(当中心点不再变动或变动很小,当达到最大迭代次数)
优点:
原理简单,算法复杂度较低
缺点:
k值未知,需要人为设定
对于初始化中心点特别敏感,不同的初始化,结果可能不一样
容易受到噪声的影响,可能收敛于局部最小值,同时数据量大时收敛速度较慢
不太适合离散的数据,样本类别不均衡的数据的聚类
k-means 有一个重要特征,它要求这些簇的模型必须是圆形:k-means 算法没有内置的方法
来实现椭圆形的簇
算法复杂度:
O(t*k*n*d) t是迭代次数,k是类数,n是数据点个数,d是数据维度
k值的选取问题,K-means++,或者先使用谱聚类或层次聚类对样本进行聚类,得到K
,或使用手肘法,遍历可能的K值,画出该点下Loss的大小,选择曲线的拐点处的K值
对于数据量大的情况,可以选择mini-batch的方法,不过准确度会下降
初始点敏感的问题,可以选择多种初始点情况,选择误差最小的一种
噪声影响问题,K-medoids,将步骤3改为,求一个类里面,每个点到类内其他点距离和最小的,选择它作为我们下一步的中心点,这样就有效缓解了噪声问题
import numpy as np
import random
def cal_distance(node,centor):
return np.sqrt(np.sum(np.square(node-centor)))
def random_centor(data,k):
data=list(data)
return random.sample(data,k)
def random_centor1(data,k):
n=len(data[0])#n维
centor=np.array([[0]*n for _ in range(k)])#一定要将列表转换为数组
for j in range(n):
min_j=np.min(data[:,j])
max_j=np.max(data[:,j])
centor[:,j]=np.random.rand(k)*(max_j-min_j)+min_j
return centor
def get_cluster(data,centor):
cluster_dict=dict()
k=len(centor)
for node in data:
cluster_class = -1
min_distance = float('inf')
for i in range(k):
dist=cal_distance(node,centor[i])
if dist0.1:
centor=get_centor(cluster_dict,k)
cluster_dict=get_cluster(data,centor)
old_varience=new_varience
new_varience=cal_varience(cluster_dict,centor)
return cluster_dict,centor
data=np.array([[1,1,1],[2,2,2],[1,2,1],[9,8,7],[7,8,9],[8,9,7]])
a,b=k_means(data,2)
print(a,b)
mean shift的本质就是中心点向着密度越来越大的地方进行偏移,最终收敛到样本密度最大的地方。它的参数R往往靠经验选取
1.随机选择一个点作为球心,半径选为R
2.以球心为起点,球内样本点为终点,将他们的向量相加后求平均,得到meanshift值
3.球心+mean shift值得到更新后的球心。
4.不断重复23直到球心不再移动或移动微小
1.在未被标记的数据点中随机选择一个点作为原始中心点
2.找出以中心点为球心,半径为R的球体中所有数据点,认为他们为聚类C,同时在C类中记录这些数据点出现的次数+1
3.以球心为起点,球内样本点为终点,将他们的向量相加后求平均,得到meanshift值
4.球心+meanshift的值,得到更新后的球心
5.重复234直到meanshift很小或者不移动,记录下此时的中心点,注意迭代过程中遇到的点都应该归类到C
6.判断收敛时的C类中心点与其他已经存在的类的中心点距离是否小于阈值,如果小于就把他们合并,数据点出现的次数也应该合并,如果大于,就把C当作一个新的聚类
7.重复123456直到所有点都被标记为已访问
8.对每个点,哪个类访问次数最多,就归属于哪个类。
优点:可以自动确定类的个数
对噪声比较强壮
参数简单
缺点:容易陷入局部最优
主要在欧式空间工作,在高维数据中不起作用
算法复杂度:
O(Tnlog(n)) T是迭代中选取的中心点数。
这里首先说一下,在之前的meanshift里面我们都没有讨论核函数,因为是学习基础概念,所以没必要搞太复杂,但是实际应用中,在球体内,离的远的点和离得进的点对于球心的影响权重是一样的,这显然不合理。所以引入了核函数和权重系数。核函数也叫窗口函数,在核估计中起到平滑的作用。常用的核函数有:Uniform,Epannechnikov,Gaussian等。同时在图像的处理中,一般不是球体,而是矩形。
meanshift在图像分割中的步骤:
1.将图像表示为空间中的点,一种简单的方法就是使用红绿蓝像素值,将每个像素映射到三维RGB空间中的一个点
2.对获取的点集进行meanshift聚合,一般使用高斯核函数。
3.不同的集合就构成了图像分割
meanshift在目标追踪中的步骤:
1.用运动检测算法将物体与背景分割开来
2.提取运动物体的轮廓,并从原图中获取运动图像信息
3.对这个信息进行反向投影,获取反向投影图
4.根据反向投影图和输入的方框进行meanshift迭代,迭代中会向反向投影图中概率大的地方移动,所以始终会移动到目标上
5.下一帧的图像时用上一帧输出的方框来迭代即可。
meanshift用于视频目标追踪,其实就是采用目标的颜色直方图作为搜索特征,将目标区域转化成HSV颜色空间,然后得到H的分布直方图,有了它之后,我们就是要在下一帧里面得到相同的它,这时我们采用相似函数来表述他们的相似性,让方框在最新一帧中向着相似度最大的区域移动。
meanshift在目标追踪中的优点:
1.算法计算量不大,在目标区域已知的情况下效果很好
2.采用核函数直方图模型,对边缘遮挡,目标旋转等不是很敏感
缺点:
1.目标速度太快效果不好
2.如果运动中目标被遮挡,跟踪就会失败。
import numpy as np
def load_data():
#dtype如果不设置默认为float,comments是指如果该行以‘#’开头,那么就跳过,usecols是指只使用0,2两列。unpack如果为True,则把0,2两列单独输出,skiprows是指跳过第一行
data=np.loadtxt('data/meanshift.txt', dtype=int, comments='#', delimiter=None, skiprows=1, usecols=(0,2), unpack=False)
return np.array(data)
class MeanShift:
def __init__(self,mean,radius):
self.mean=mean
self.radius=radius
def compute_distance(self,data):
return np.sqrt(np.sum(np.square(data-self.mean),axis=1))
def in_ball(self,data):
distance=self.compute_distance(data)
inball_index=np.argwhere(distance
DBSCAN是一种基于密度的空间聚类算法。该算法将具有足够密度的区域划分为簇,并可以在具有噪声的空间数据库中发现任意形状的簇,它将簇定义为密度相连的点的最大集合。
参数:半径和min_point
选择技巧:一般先选一个点,计算它与其他所有点的距离,然后排序,找到前后变化很大的一处,然后R就选则突变点即可。这个选的太大,簇就少,选的太小,簇就多,可以适当调整
min_point一般这个值都偏小,可以多次尝试一下。
1.把所有点标记为未见
2.随机在数据集中选择一个未标记点P,找到它的邻域R
3.判断R里面包含的样本点个数是否大于min_point,如果小于,则为噪声点,标记为已见,如果大于,则P为核心点,创建一个类C,邻域R里面的点都属于类C,如果邻域R内除了P还有其他核心点。则他们邻域里面的点也属于类C,一直迭代,直到核心点邻域里只有它自己为核心点才停止。
4.从数据集中移除C类,重复执行234,直到所有的点都是已标记为止。
优点:
1.可以自动决定类的数量。不需要人为假设。
2.可以发现任意形状的簇类,而不像K-means那样只能发现圆形簇
3.可以识别噪声点,抗噪声能力较强
缺点:
1.不能很好的应用在高维数据中
2.如果样本集的密度不均匀,效果就不好
算法复杂度:
O(nlog(n)) n是数据点个数
import numpy as np
#如果是列表这里就不能这样计算,data1-data2是不合法的
def cal_distance(data1,data2):
data1=np.array(data1)
data2=np.array(data2)
return np.sqrt(np.sum(np.square(data1-data2)))
#pop()按照索引删除,del也是按照索引删除,remove是按照值删除,
def DBSCAN(data,r,min_point):
#第一步将数据中的核心点找出来放入q
q=[]
for i in range(len(data)):
count=0
for j in range(len(data)):
if cal_distance(data[i],data[j]) < r:
count+=1
if count>=min_point:
q.append(data[i])
c=[[] for _ in range(len(q))]
#对整个数据集进行分类,属于哪个关键点就分配进去,最终data里面不为0的就是噪声点
for i in range(len(q)):
for j in range(len(data)):
if data[j]!=0 and cal_distance(q[i],data[j])=len(q):
break
q=q[i:]
d.append(c[:i])
c=c[i:]
d.append(c[:i])
return d,noise
class_res,noise=DBSCAN([[1,2,3],[4,5,6],[7,8,9]],1,1)
print(class_res,noise)
# import numpy
#
# a=[1,2,3]
# print(a!=0)只返回一个True或False
# a=numpy.array([1,2,3])
# print(a!=0)返回n个True或False
# #如果要计算两个点之间的欧式距离,一定要将列表转为array再计算。因为列表不支持a-b