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 ...
2025-04-02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你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31在电商、零售、甚至内容付费业务中,你真的了解你的客户吗? 有些客户下了一两次单就消失了,有些人每个月都回购,有些人曾经是 ...
2025-03-31在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13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《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12