聚类算法之K均值
有时候,我们只有训练样本的特征,而对其类型一无所知。这种情况,我们只能让算法尝试在训练数据中寻找其内部的结构,试图将其类别挖掘出来。这种方式叫做无监督学习。由于这种方式通常是将样本中相似的样本聚集在一起,所以又叫聚类算法。本文,中颢润将介绍一种最常用的聚类算法:K均值聚类算法(K-Means)。
1、K均值聚类
K-Means算法思想简单,效果却很好,是最有名的聚类算法。聚类算法的步骤如下:
a:初始化K个样本作为初始聚类中心;
b:计算每个样本点到K个中心的距离,选择最近的中心作为其分类,直到所有样本点分类完毕;
c:分别计算K个类中所有样本的质心,作为新的中心点,完成一轮迭代。
通常的迭代结束条件为新的质心与之前的质心偏移值小于一个给定阈值。
下面给一个简单的例子来加深理解。如下图有4个样本点,坐标分别为A(-1,-1),B(1,-1),C(-1,1),D(1,1)。现在要将他们聚成2类,指定A、B作为初始聚类中心(聚类中心A0,B0),指定阈值0.1。K-Means迭代过程如下:
step 1.1:计算各样本距离聚类中心的距离:
样本A:d(A,A0) = 0;d(A,B0) = 2;因此样本A属于A0所在类;
样本B:d(B,A0) = 2;d(B,B0) = 0;因此样本B属于B0所在类;
样本C:d(C,A0) = 2;d(C,B0) = 2.8;;因此样本C属于A0所在类;
样本C:d(D,A0) =2.8; d(D,B0) = 2;;因此样本C属于B0所在类;
step 1.2:全部样本分类完毕,现在计算A0类(包含样本AC)和B0类(包含样本BD)的新的聚类中心:
A1 =(-1, 0); B1 = (1,0);
step 1.3:计算聚类中心的偏移值是否满足终止条件:
|A1-A0|= |(-1,0)-(-1,-1) | = |(0,1)| = 1 >0.1,因此继续迭代。
step 2.1:计算各样本距离聚类中心的距离:
样本A:d(A,A1) = 1;d(A,B1) = 2.2;因此样本A属于A1所在类;
样本B:d(B,A1) =2.2; d(B,B1) = 1;因此样本B属于B1所在类;
样本C:d(C,A1) = 1;d(C,B1) = 2.2;;因此样本C属于A1所在类;
样本D:d(D,A1) =2.2; d(D,B1) = 1;;因此样本C属于B1所在类;
step 2.2:全部样本分类完毕,现在计算A1类(包含样本AC)和B1类(包含样本BD)的新的聚类中心:
A2 =(-1, 0); B2 = (1,0);
step 2.3:计算聚类中心的偏移值是否满足终止条件:
|A2-A1|= |B2-B1| = 0 <0.1,因此迭代终止。
2、测试数据
下面这个测试数据有点类似SNS中的好友关系,假设是10个来自2个不同的圈子的同学的SNS聊天记录。显然,同一个圈子内的同学会有更密切的关系和互动。
数据如下所示,每一行代表一个好友关系。如第一行表示同学0与同学1的亲密程度为9(越高表示联系越密切)。
显然,这个数据中并没有告知我们这10个同学分别属于哪个圈子。因此我们的目标是使用K-Means聚类算法,将他们聚成2类。
[plain]view plaincopy
0 1 9
0 2 5
0 3 6
0 4 3
1 2 8
......
这个例子设计的很简单。我们使用上一篇文章中提到的关系矩阵,将其可视化出来,会看到如下结果:
这是个上三角矩阵,因为这个数据中认为好友关系是对称的。上图其实很快能发现,0,1,2,3,4用户紧密联系在一起,而5,6,7,8,9组成了另外一个圈子。
下面我们看看K-Means算法能否找出这个答案。
3、代码与分析
K-Means算法的Python代码如下:
[python]view plaincopy
# -*-coding: utf-8 -*-
frommatplotlib import pyplot
importscipy as sp
importnumpy as np
fromsklearn import svm
importmatplotlib.pyplot as plt
fromsklearn.cluster import KMeans
fromscipy import sparse
#数据读入
data =np.loadtxt('2.txt')
x_p =data[:, :2] # 取前2列
y_p =data[:, 2] # 取前2列
x =(sparse.csc_matrix((data[:,2], x_p.T)).astype(float))[:, :].todense()
nUser =x.shape[0]
#可视化矩阵
pyplot.imshow(x,interpolation='nearest')
pyplot.xlabel('用户')
pyplot.ylabel('用户')
pyplot.xticks(range(nUser))
pyplot.yticks(range(nUser))
pyplot.show()
#使用默认的K-Means算法
num_clusters= 2
clf =KMeans(n_clusters=num_clusters, n_init=1, verbose=1)
clf.fit(x)
print(clf.labels_)
#指定用户0与用户5作为初始化聚类中心
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在当今数字化时代,数据分析师的重要性与日俱增。但许多人在踏上这条职业道路时,往往充满疑惑: 如何成为一名数据分析师?成为 ...
2025-04-24以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《刘静:10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda ...
2025-04-23大咖简介: 刘凯,CDA大咖汇特邀讲师,DAMA中国分会理事,香港金管局特聘数据管理专家,拥有丰富的行业经验。本文将从数据要素 ...
2025-04-22CDA持证人简介 刘伟,美国 NAU 大学计算机信息技术硕士, CDA数据分析师三级持证人,现任职于江苏宝应农商银行数据治理岗。 学 ...
2025-04-21持证人简介:贺渲雯 ,CDA 数据分析师一级持证人,互联网行业数据分析师 今天我将为大家带来一个关于用户私域用户质量数据分析 ...
2025-04-18一、CDA持证人介绍 在数字化浪潮席卷商业领域的当下,数据分析已成为企业发展的关键驱动力。为助力大家深入了解数据分析在电商行 ...
2025-04-17CDA持证人简介:居瑜 ,CDA一级持证人,国企财务经理,13年财务管理运营经验,在数据分析实践方面积累了丰富的行业经验。 一、 ...
2025-04-16持证人简介: CDA持证人刘凌峰,CDA L1持证人,微软认证讲师(MCT)金山办公最有价值专家(KVP),工信部高级项目管理师,拥有 ...
2025-04-15持证人简介:CDA持证人黄葛英,ICF国际教练联盟认证教练,前字节跳动销售主管,拥有丰富的行业经验。在实际生活中,我们可能会 ...
2025-04-14在 Python 编程学习与实践中,Anaconda 是一款极为重要的工具。它作为一个开源的 Python 发行版本,集成了众多常用的科学计算库 ...
2025-04-14随着大数据时代的深入发展,数据运营成为企业不可或缺的岗位之一。这个职位的核心是通过收集、整理和分析数据,帮助企业做出科 ...
2025-04-11持证人简介:CDA持证人黄葛英,ICF国际教练联盟认证教练,前字节跳动销售主管,拥有丰富的行业经验。 本次分享我将以教培行业为 ...
2025-04-11近日《2025中国城市长租市场发展蓝皮书》(下称《蓝皮书》)正式发布。《蓝皮书》指出,当前我国城市住房正经历从“增量扩张”向 ...
2025-04-10在数字化时代的浪潮中,数据已经成为企业决策和运营的核心。每一位客户,每一次交易,都承载着丰富的信息和价值。 如何在海量客 ...
2025-04-09数据是数字化的基础。随着工业4.0的推进,企业生产运作过程中的在线数据变得更加丰富;而互联网、新零售等C端应用的丰富多彩,产 ...
2025-04-094月7日,美国关税政策对全球金融市场的冲击仍在肆虐,周一亚市早盘,美股股指、原油期货、加密货币、贵金属等资产齐齐重挫,市场 ...
2025-04-08背景 3月26日,科技圈迎来一则重磅消息,苹果公司宣布向浙江大学捐赠 3000 万元人民币,用于支持编程教育。 这一举措并非偶然, ...
2025-04-07在当今数据驱动的时代,数据分析能力备受青睐,数据分析能力频繁出现在岗位需求的描述中,不分岗位的任职要求中,会特意标出“熟 ...
2025-04-03在当今数字化时代,数据分析师的重要性与日俱增。但许多人在踏上这条职业道路时,往往充满疑惑: 如何成为一名数据分析师?成为 ...
2025-04-02最近我发现一个绝招,用DeepSeek AI处理Excel数据简直太爽了!处理速度嘎嘎快! 平常一整天的表格处理工作,现在只要三步就能搞 ...
2025-04-01