机器学习——K-Means聚类算法及其应用

概括

首先说一下聚类，多用于机器学习中的无监督学习，通俗来说是将具有相似性的数据分为多类（在相似的基础上收集数据来分类）。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。
这里采用传统的聚类划分方法：k-means算法。
k-means算法以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。

算法步骤

1.随机选取k个点作为初始聚类中心。
2.对于剩下的点，根据其余聚类中心的距离，将其归入最近的簇。
3.对每个簇，计算所有点的均值作为新的聚类中心。
4.重复2、3直至聚类中心不再发生改变。

这里举个例子来说明：

这里有5个点ABCDE，先随机将BE两个点选取为初始聚类中心。（步骤1）
剩下ACD三个点，根据BE聚类中心的距离划分进去，显而易见可以将A化为B中，C、D化为E中，此时产生两个簇分别为AB和CDE。（步骤2）
对于产生的每个簇，重新计算其聚类中心，如上图所示（步骤3）
再进行步骤2，重新根据每个点到两个聚类中心的距离将点进行划分，可以看到，此时ABC为一个簇，DE为一个簇。
进行步骤3，重新计算每个簇中点的均值。最后结束的条件是聚类中心不再发生变化，对于目前的情况满足步骤4，算法结束。

应用

现有1999年全国31个省份城镇居民家庭平均每人全年消费性支出的八个主要变量数据，这八个变量分别是：食品、衣着、家庭设备用品及服务、医疗保健、交通和通讯、娱乐教育文化服务、居住以及杂项商品和服务。利用已有数据，对31个省份进行聚类。
这里是提供的数据信息：
北京,2959.19,730.79,749.41,513.34,467.87,1141.82,478.42,457.64
天津,2459.77,495.47,697.33,302.87,284.19,735.97,570.84,305.08
河北,1495.63,515.90,362.37,285.32,272.95,540.58,364.91,188.63
山西,1406.33,477.77,290.15,208.57,201.50,414.72,281.84,212.10
内蒙古,1303.97,524.29,254.83,192.17,249.81,463.09,287.87,192.96
辽宁,1730.84,553.90,246.91,279.81,239.18,445.20,330.24,163.86
吉林,1561.86,492.42,200.49,218.36,220.69,459.62,360.48,147.76
黑龙江,1410.11,510.71,211.88,277.11,224.65,376.82,317.61,152.85
上海,3712.31,550.74,893.37,346.93,527.00,1034.98,720.33,462.03
江苏,2207.58,449.37,572.40,211.92,302.09,585.23,429.77,252.54
浙江,2629.16,557.32,689.73,435.69,514.66,795.87,575.76,323.36
安徽,1844.78,430.29,271.28,126.33,250.56,513.18,314.00,151.39
福建,2709.46,428.11,334.12,160.77,405.14,461.67,535.13,232.29
江西,1563.78,303.65,233.81,107.90,209.70,393.99,509.39,160.12
山东,1675.75,613.32,550.71,219.79,272.59,599.43,371.62,211.84
河南,1427.65,431.79,288.55,208.14,217.00,337.76,421.31,165.32
湖南,1942.23,512.27,401.39,206.06,321.29,697.22,492.60,226.45
湖北,1783.43,511.88,282.84,201.01,237.60,617.74,523.52,182.52
广东,3055.17,353.23,564.56,356.27,811.88,873.06,1082.82,420.81
广西,2033.87,300.82,338.65,157.78,329.06,621.74,587.02,218.27
海南,2057.86,186.44,202.72,171.79,329.65,477.17,312.93,279.19
重庆,2303.29,589.99,516.21,236.55,403.92,730.05,438.41,225.80
四川,1974.28,507.76,344.79,203.21,240.24,575.10,430.36,223.46
贵州,1673.82,437.75,461.61,153.32,254.66,445.59,346.11,191.48
云南,2194.25,537.01,369.07,249.54,290.84,561.91,407.70,330.95
西藏,2646.61,839.70,204.44,209.11,379.30,371.04,269.59,389.33
陕西,1472.95,390.89,447.95,259.51,230.61,490.90,469.10,191.34
甘肃,1525.57,472.98,328.90,219.86,206.65,449.69,249.66,228.19
青海,1654.69,437.77,258.78,303.00,244.93,479.53,288.56,236.51
宁夏,1375.46,480.89,273.84,317.32,251.08,424.75,228.73,195.93
新疆,1608.82,536.05,432.46,235.82,250.28,541.30,344.85,214.40

代码部分

# 31省市居民家庭消费调查
# 1.建立工程，导入sklearn相关包
import numpy as np
from sklearn.cluster import KMeans

# 2.加载数据data，创建K-Means算法实例，并进行训练，获得标签label：
# a.利用loadData方法读取数据
# b.创建实例
# c.调用Kmeans（）和fit_predict()方法进行计算

if __name__ == '__main__':

    def loadData(filePath):
        fr = open(filePath, 'r+')  # r+读写打开一个文本文件
        lines = fr.readlines()     # readlines（）一次读取整个文件
        retData = []
        retCityName = []
        for line in lines:
            items = line.strip().split(",")
            retCityName.append(items[0])
            retData.append([float(items[i]) for i in range(1, len(items))])
        return retData, retCityName

    data, cityName = loadData('city.txt')
    km = KMeans(n_clusters=4)  # n_clusters用于指定聚类中心的个数，init初始聚类中心的初始化方法，max_iter最大的迭代次数，init默认是k-means++ max_iter默认300
    label = km.fit_predict(data)  # 计算簇中心以及为簇分配序号
    expenses = np.sum(km.cluster_centers_, axis=1)  # 平均消费水平
    # print(expenses)
    CityCluster = [[], [], [], []] # 将城市按label分成设定的簇
    for i in range(len(cityName)): # 将每个簇的城市输出
        CityCluster[label[i]].append(cityName[i]) 
    for i in range(len(CityCluster)): # 将每个簇的平均花费输出
        print("Expenses:%.2f" % expenses[i])
        print(CityCluster[i])

结果分析

将城市按照消费水平n_clusters类，消费水平相近的城市聚集在一类中。
这里选用聚成四类km = KMeans(n_clusters=4)：