Kmeans算法,又叫做K均值聚类算法,可以说是无监督聚类算法中最具代表性,最经典的聚类算法了,这一算法的主要作用是将相似的样本自动归到一个类别中。小编特意整理了这一经典聚类算法的基本原理供大家参考,希望对大家有所帮助。
一、首先来看一下Kmeans算法的效果
#通过简单的例子来直接查看K均值聚类的效果 from sklearn.cluster import KMeans import matplotlib.pyplot as plt import numpy as np %matplotlib inline #聚类前 X = np.random.rand(100,2) plt.scatter(X[:,0],X[:,1], marker='o')
#聚类后 kmeans = KMeans(n_clusters=4).fit(X) label_pred = kmeans.labels_ plt.scatter(X[:,0],X[:,1],c=label_pred) plt.show()
二、Kmeans算法基本原理
假定给定数据样本X,包含了n个对象
其中每个对象都具有m个维度的属性。Kmeans算法的目标是将n个对象依据对象间的相似性聚集到指定的k个类簇中,每个对象属于且仅属于一个其到类簇中心距离最小的类簇中。对于Kmeans,首先需要初始化k个聚类中心{C1.C2.C3....,Ck},1<k≤n,然后通过计算每一个对象到每一个聚类中心的欧式距离,如下式所示
依次比较每一个对象到每一个聚类中心的距离,将对象分配到距离最近的聚类中心的类簇中,得到k个类簇{S1.S2.S3....,Sk}
Kmeans算法用中心定义了类簇的原型,类簇中心就是类簇内所有对象在各个维度的均值,其计算公式如下
代码实现
Kmeans算法 % 输入: % data 输入的不带分类标号的数据 % K 数据一共分多少类 % iniCentriods 自行指定初始聚类中心 % iterations 迭代次数 % 输出: % Idx 返回的分类标号 % centroids 每一类的中心 % Distance 类内总距离 function [Idx,centroids,Distance]=KMeans(data,K,iniCentriods,iterations) [numOfData,numOfAttr]=size(data); % numOfData是数据个数,numOfAttr是数据维数 centroids=iniCentriods; %% 迭代 for iter=1:iterations pre_centroids=centroids;% 上一次求得的中心位置 tags=zeros(numOfData,K); %% 寻找最近中心,更新中心 for i=1:numOfData D=zeros(1,K);% 每个数据点与每个聚类中心的标准差 Dist=D; % 计算每个点到每个中心点的标准差 for j=1:K Dist(j)=norm(data(i,:)-centroids(j,:),2); end [minDistance,index]=min(Dist);% 寻找距离最小的类别索引 tags(i,index)=1;% 标记最小距离所处的位置(类别) end %% 取均值更新聚类中心点 for i=1:K if sum(tags(:,i))~=0 % 未出现空类,计算均值作为下一聚类中心 for j=1:numOfAttr centroids(i,j)=sum(tags(:,i).*data(:,j))/sum(tags(:,i)); end else % 如果出现空类,从数据集中随机选中一个点作为中心 randidx = randperm(size(data, 1)); centroids(i,:) = data(randidx(1),:); tags(randidx,:)=0; tags(randidx,i)=1; end end if sum(norm(pre_centroids-centroids,2))<0.001 % 不断迭代直到位置不再变化 break; end end %% 计算输出结果 Distance=zeros(numOfData,1); Idx=zeros(numOfData,1); for i=1:numOfData D=zeros(1,K);% 每个数据点与每个聚类中心的标准差 Dist=D; % 计算每个点到每个中心点的标准差 for j=1:K Dist(j)=norm(data(i,:)-centroids(j,:),2); end [distance,idx]=min(Dist);% 寻找距离最小的类别索引 distance=Dist(idx); Distance(i)=distance; Idx(i)=idx; end Distance=sum(Distance,1);% 计算类内总距离 end
二、Kmeans的优化算法
1.二分K-means算法
二分KMeans特点:解决K-Means算法对初始簇心比较敏感的问题,二分K-Means算法是一种弱化初 始质心的一种算法
二分Kmeans 具体思路步骤:
(1) 将所有样本数据放回到一个蔟队列中
(2) 队列中的一个蔟进行 k = 2 的KMeans算法聚类形成两个子蔟,将他们放回到蔟队列中
(3)重复这个步骤,直到中止条件达到(主要是聚簇数量)
选取队列蔟二划分的条件:
(1)选取蔟距离平方和SSE 最大的蔟进行二划分(优先)。
(2)选取样本较多的蔟进行二划分。
2.Kmeans++算法
K-Means++算法就是对K-Means随机初始化质心的方法的优化。K-Means++的对于初始化质心的优化策略也很简单,如下:
(1)从输入的数据点集合中随机选择一个点作为第一个聚类中心μ1
(2)
(3)选择一个新的数据点作为新的聚类中心,选择的原则是:D(x)较大的点,被选取作为聚类中心的概率较大
(4)重复2和3直到选择出k个聚类质心
(5)利用这k个质心来作为初始化质心去运行标准的K-Means算法
简单的来说, Kmeans++ 就是选择离已选中心点最远的点。
数据分析咨询请扫描二维码
CDA数据分析师认证:CDA认证分为三个等级:Level Ⅰ、Level Ⅱ和Level Ⅲ,每个等级的报考条件如下: Le ...
2024-11-14自学数据分析可能是一条充满挑战却又令人兴奋的道路。随着数据在现代社会中的重要性日益增长,掌握数据分析技能不仅能提升你的就 ...
2024-11-14数据分析相关职业选择 数据分析领域正在蓬勃发展,为各种专业背景的人才提供了丰富的职业机会。从初学者到有经验的专家,每个人 ...
2024-11-14数据挖掘与分析在金融行业的使用 在当今快速发展的金融行业中,数据挖掘与分析的应用愈发重要,成为驱动行业变革和提升竞争力的 ...
2024-11-14学习数据挖掘需要掌握哪些技能 数据挖掘是一个不断发展的领域,它结合了统计学、计算机科学和领域专业知识,旨在从数据中提取有 ...
2024-11-14统计学作为一门基于数据的学科,其广泛的应用领域和多样的职业选择,使得毕业生拥有丰厚的就业前景。无论是在政府还是企业,统计 ...
2024-11-14在当今高速发展的技术环境下,企业正在面临前所未有的机遇和挑战。数字化转型已成为企业保持竞争力和应对市场变化的必由之路。要 ...
2024-11-13爬虫技术在数据分析中扮演着至关重要的角色,其主要作用体现在以下几个方面: 数据收集:爬虫能够自动化地从互联网上抓取大量数 ...
2024-11-13在数据分析中,数据可视化是一种将复杂数据转化为图表、图形或其他可视形式的技术,旨在通过直观的方式帮助人们理解数据的含义与 ...
2024-11-13在现代银行业中,数字化用户行为分析已成为优化产品和服务、提升客户体验和提高业务效率的重要工具。通过全面的数据采集、深入的 ...
2024-11-13在这个数据飞速增长的时代,企业若想在竞争中占据优势,必须充分利用数据分析优化其营销策略。数据不仅有助于理解市场趋势,还可 ...
2024-11-13数据分析行业的就业趋势显示出多个积极的发展方向。随着大数据和人工智能技术的不断进步,数据分析在各行各业中的应用变得越来越 ...
2024-11-13市场数据分析是一门涉及多种技能和工具的学科,对企业在竞争激烈的市场中保持竞争力至关重要。通过数据分析,企业不仅可以了解当 ...
2024-11-13数据分析与数据挖掘是数据科学领域中两个关键的组成部分,它们各有独特的目标、方法和应用场景。尽管它们经常在实际应用中结合使 ...
2024-11-13在如今这个数据驱动的时代,数据分析能力已经成为许多行业的重要技能。无论是为工作需要,还是为了职业转型,掌握数据分析都能够 ...
2024-11-13在如今这个数据驱动的时代,数据分析能力已经成为许多行业的重要技能。无论是为工作需要,还是为了职业转型,掌握数据分析都能够 ...
2024-11-13作为一名业务分析师,你肩负着将业务需求转化为技术解决方案的重任。面试这一角色时,涉及的问题多种多样,涵盖技术技能、分析能 ...
2024-11-13自学数据分析可能看似一项艰巨的任务,尤其在开始时。但是,通过一些策略和方法,你可以系统地学习和掌握数据分析的相关知识和技 ...
2024-11-10Excel是数据分析领域中的一款强大工具,它凭借其灵活的功能和易用的界面,成为了许多数据分析师和从业者的首选。无论是简单的数 ...
2024-11-10在快速发展的商业环境中,数据分析能力已经成为许多行业的核心竞争力。无论是初学者还是经验丰富的专家,搭建一个有效的数据分析 ...
2024-11-10