k 均值(k-means)是聚类算法中最为简单、高效的,属于无监督学习算法
核心思想:由用户指定k个初始质心(initial centroids),以作为聚类的类别(cluster),重复迭代直至算法收敛
基本算法流程:
# K-means代码实现
### 0.引入依赖
import numpy as np
import matplotlib.pyplot as plt
#从sjlearn中直接生成聚类数据
from sklearn.datasets.samples_generator import make_blobs
### 1.数据加载
x, y = make_blobs(n_samples=100, centers=6, random_state=1234, cluster_std=0.6)
plt.figure(figsize=(6,6))
plt.scatter(x[:, 0], x[:, 1], c=y)
plt.show()
### 2.算法实现
#引入scipy中的距离函数,默认欧氏距离
from scipy.spatial.distance import cdist
class K_Means(object):
#初始化,参数n_clusters(K), 迭代次数max_iter, 初始质心 centroids
def __init__(self, n_clusters=6, max_iter=500, centroids=[]):
self.n_clusters = n_clusters
self.max_iter = max_iter
self.centroids = np.array(centroids, dtype=np.float)
#训练模型方法,k-means聚类过程,传入原始数据
def fit(self, data):
#假如没有指定初始质心,就随机选取data中的点作为初始质心
if (self.centroids.shape == (0,)):
#从data中随机生成0到data行的6个整数,作为索引值,生成6个质心
self.centroids = data[ np.random.randint(0,data.shape[0], self.n_clusters), : ]
#开始迭代
for i in range(self.max_iter):
#1.计算距离矩阵,得到一个100*6的矩阵
distances = cdist(data, self.centroids)
#2.对距离按照由近到远排序,选取最近的质心点的类别,作为当前点的分类
c_ind = np.argmin(distances, axis=1)
#3.对每一类数据进行均值计算,更新质心点的坐标
for i in range(self.n_clusters):
#排除掉没有出现在c_ind里的类别
for i in c_ind:
#选出所有类别是i的点,取data里面坐标的均值,更新第i个质心
self.centroids[i] = np.mean( data[c_ind==i], axis=0)
#实现预测方法
def predict(self, samples):
#先计算距离矩阵,然后选取距离最近的那个质心点的类别
distances = cdist(samples, self.centroids)
c_ind = np.argmin(distances, axis=1)
return c_ind
### 3.测试
#定义一个绘制子图函数
def plotKMeans(x, y, centroids, subplot, title):
#分配子图,121表示1行2列的子图中的第一个
plt.subplot(subplot)
plt.scatter(x[:,0],x[:,1],c='r')
#画出质心点
plt.scatter(centroids[:,0],centroids[:,1],c=np.array(range(6)),s=100)
plt.title(title)
kmeans=K_Means(n_clusters=6, max_iter=300, centroids=np.array([[2,1],[2,2],[2,3],[2,4],[2,5],[2,6]]))
plt.figure(figsize=(16, 6))
plotKMeans(x,y, kmeans.centroids, 121, 'Initial State')
#开始聚类
kmeans.fit(x)
plotKMeans(x,y, kmeans.centroids, 122, 'Final State')
#预测新数据点的类别
x_new = np.array([[3,4],[5,6]])
y_pred = kmeans.predict(x_new)
print(kmeans.centroids)
print(y_pred)
plt.scatter(x_new[:,0],x_new[:,1], s=100, c='black')