python中k-means和k-means++原理及實(shí)現(xiàn)
前言
k-means算法是無監(jiān)督的聚類算法,實(shí)現(xiàn)起來較為簡單,k-means++可以理解為k-means的增強(qiáng)版,在初始化中心點(diǎn)的方式上比k-means更友好。
k-means原理
k-means的實(shí)現(xiàn)步驟如下:
- 從樣本中隨機(jī)選取k個點(diǎn)作為聚類中心點(diǎn)
- 對于任意一個樣本點(diǎn),求其到k個聚類中心的距離,然后,將樣本點(diǎn)歸類到距離最小的聚類中心,直到歸類完所有的樣本點(diǎn)(聚成k類)
- 對每個聚類求平均值,然后將k個均值分別作為各自聚類新的中心點(diǎn)
- 重復(fù)2、3步,直到中心點(diǎn)位置不在變化或者中心點(diǎn)的位置變化小于閾值
優(yōu)點(diǎn):
- 原理簡單,實(shí)現(xiàn)起來比較容易
- 收斂速度較快,聚類效果較優(yōu)
缺點(diǎn):
- 初始中心點(diǎn)的選取具有隨機(jī)性,可能會選取到不好的初始值。
k-means++原理
k-means++是k-means的增強(qiáng)版,它初始選取的聚類中心點(diǎn)盡可能的分散開來,這樣可以有效減少迭代次數(shù),加快運(yùn)算速度,實(shí)現(xiàn)步驟如下:
- 從樣本中隨機(jī)選取一個點(diǎn)作為聚類中心
- 計(jì)算每一個樣本點(diǎn)到已選擇的聚類中心的距離,用D(X)表示:D(X)越大,其被選取下一個聚類中心的概率就越大
- 利用輪盤法的方式選出下一個聚類中心(D(X)越大,被選取聚類中心的概率就越大)
- 重復(fù)步驟2,直到選出k個聚類中心
- 選出k個聚類中心后,使用標(biāo)準(zhǔn)的k-means算法聚類
這里不得不說明一點(diǎn),有的文獻(xiàn)中把與已選擇的聚類中心最大距離的點(diǎn)選作下一個中心點(diǎn),這個說法是不太準(zhǔn)確的,準(zhǔn)的說是與已選擇的聚類中心最大距離的點(diǎn)被選作下一個中心點(diǎn)的概率最大,但不一定就是改點(diǎn),因?yàn)榭偸侨∽畲笠膊惶茫ㄓ龅教厥鈹?shù)據(jù),比如有一個點(diǎn)離某個聚類所有點(diǎn)都很遠(yuǎn))。
一般初始化部分,始終要給些隨機(jī)。因?yàn)閿?shù)據(jù)是隨機(jī)的。
盡管計(jì)算初始點(diǎn)時花費(fèi)了額外的時間,但是在迭代過程中,k-mean 本身能快速收斂,因此算法實(shí)際上降低了計(jì)算時間。
現(xiàn)在重點(diǎn)是利用輪盤法的方式選出下一個聚類中心,我們以一個例子說明K-means++是如何選取初始聚類中心的。
假如數(shù)據(jù)集中有8個樣本,分布分布以及對應(yīng)序號如下圖所示:

我們先用 k-means++的步驟1選擇6號點(diǎn)作為第一個聚類中心,然后進(jìn)行第二步,計(jì)算每個樣本點(diǎn)到已選擇的聚類中心的距離D(X),如下所示:

- D(X)是每個樣本點(diǎn)與所選取的聚類中心的距離(即第一個聚類中心)
- P(X)每個樣本被選為下一個聚類中心的概率
- Sum是概率P(x)的累加和,用于輪盤法選擇出第二個聚類中心。
然后執(zhí)行 k-means++的第三步:利用輪盤法的方式選出下一個聚類中心,方法是隨機(jī)產(chǎn)生出一個0~1之間的隨機(jī)數(shù),判斷它屬于哪個區(qū)間,那么該區(qū)間對應(yīng)的序號就是被選擇出來的第二個聚類中心了。
在上圖1號點(diǎn)區(qū)間為[0,0.2),2號點(diǎn)的區(qū)間為[0.2, 0.525),4號點(diǎn)的區(qū)間為[0.65,0.9)
從上表可以直觀的看到,1號,2號,3號,4號總的概率之和為0.9,這4個點(diǎn)正好是離第一個初始聚類中心(即6號點(diǎn))較遠(yuǎn)的四個點(diǎn),因此選取的第二個聚類中心大概率會落在這4個點(diǎn)中的一個,其中2號點(diǎn)被選作為下一個聚類中心的概率最大。
k-means及k-means++代碼實(shí)現(xiàn)
這里選擇的中心點(diǎn)是樣本的特征(不是索引),這樣做是為了方便計(jì)算,選擇的聚類點(diǎn)(中心點(diǎn)周圍的點(diǎn))是樣本的索引。
k-means實(shí)現(xiàn)
# 定義歐式距離
import numpy as np
def get_distance(x1, x2):
return np.sqrt(np.sum(np.square(x1-x2)))
import random
# 定義中心初始化函數(shù),中心點(diǎn)選擇的是樣本特征
def center_init(k, X):
n_samples, n_features = X.shape
centers = np.zeros((k, n_features))
selected_centers_index = []
for i in range(k):
# 每一次循環(huán)隨機(jī)選擇一個類別中心,判斷不讓centers重復(fù)
sel_index = random.choice(list(set(range(n_samples))-set(selected_centers_index)))
centers[i] = X[sel_index]
selected_centers_index.append(sel_index)
return centers
# 判斷一個樣本點(diǎn)離哪個中心點(diǎn)近, 返回的是該中心點(diǎn)的索引
## 比如有三個中心點(diǎn),返回的是0,1,2
def closest_center(sample, centers):
closest_i = 0
closest_dist = float('inf')
for i, c in enumerate(centers):
# 根據(jù)歐式距離判斷,選擇最小距離的中心點(diǎn)所屬類別
distance = get_distance(sample, c)
if distance < closest_dist:
closest_i = i
closest_dist = distance
return closest_i
# 定義構(gòu)建聚類的過程
# 每一個聚類存的內(nèi)容是樣本的索引,即對樣本索引進(jìn)行聚類,方便操作
def create_clusters(centers, k, X):
clusters = [[] for _ in range(k)]
for sample_i, sample in enumerate(X):
# 將樣本劃分到最近的類別區(qū)域
center_i = closest_center(sample, centers)
# 存放樣本的索引
clusters[center_i].append(sample_i)
return clusters
# 根據(jù)上一步聚類結(jié)果計(jì)算新的中心點(diǎn)
def calculate_new_centers(clusters, k, X):
n_samples, n_features = X.shape
centers = np.zeros((k, n_features))
# 以當(dāng)前每個類樣本的均值為新的中心點(diǎn)
for i, cluster in enumerate(clusters): # cluster為分類后每一類的索引
new_center = np.mean(X[cluster], axis=0) # 按列求平均值
centers[i] = new_center
return centers
# 獲取每個樣本所屬的聚類類別
def get_cluster_labels(clusters, X):
y_pred = np.zeros(np.shape(X)[0])
for cluster_i, cluster in enumerate(clusters):
for sample_i in cluster:
y_pred[sample_i] = cluster_i
#print('把樣本{}歸到{}類'.format(sample_i,cluster_i))
return y_pred
# 根據(jù)上述各流程定義kmeans算法流程
def Mykmeans(X, k, max_iterations,init):
# 1.初始化中心點(diǎn)
if init == 'kmeans':
centers = center_init(k, X)
else: centers = get_kmeansplus_centers(k, X)
# 遍歷迭代求解
for _ in range(max_iterations):
# 2.根據(jù)當(dāng)前中心點(diǎn)進(jìn)行聚類
clusters = create_clusters(centers, k, X)
# 保存當(dāng)前中心點(diǎn)
pre_centers = centers
# 3.根據(jù)聚類結(jié)果計(jì)算新的中心點(diǎn)
new_centers = calculate_new_centers(clusters, k, X)
# 4.設(shè)定收斂條件為中心點(diǎn)是否發(fā)生變化
diff = new_centers - pre_centers
# 說明中心點(diǎn)沒有變化,停止更新
if diff.sum() == 0:
break
# 返回最終的聚類標(biāo)簽
return get_cluster_labels(clusters, X)
# 測試執(zhí)行
X = np.array([[0,2],[0,0],[1,0],[5,0],[5,2]])
# 設(shè)定聚類類別為2個,最大迭代次數(shù)為10次
labels = Mykmeans(X, k = 2, max_iterations = 10,init = 'kmeans')
# 打印每個樣本所屬的類別標(biāo)簽
print("最后分類結(jié)果",labels)
## 輸出為 [1. 1. 1. 0. 0.]
# 使用sklearn驗(yàn)證 from sklearn.cluster import KMeans X = np.array([[0,2],[0,0],[1,0],[5,0],[5,2]]) kmeans = KMeans(n_clusters=2,init = 'random').fit(X) # 由于center的隨機(jī)性,結(jié)果可能不一樣 print(kmeans.labels_)
k-means++實(shí)現(xiàn)
## 得到kmean++中心點(diǎn)
def get_kmeansplus_centers(k, X):
n_samples, n_features = X.shape
init_one_center_i = np.random.choice(range(n_samples))
centers = []
centers.append(X[init_one_center_i])
dists = [ 0 for _ in range(n_samples)]
# 執(zhí)行
for _ in range(k-1):
total = 0
for sample_i,sample in enumerate(X):
# 得到最短距離
closet_i = closest_center(sample,centers)
d = get_distance(X[closet_i],sample)
dists[sample_i] = d
total += d
total = total * np.random.random()
for sample_i,d in enumerate(dists): # 輪盤法選出下一個聚類中心
total -= d
if total > 0:
continue
# 選取新的中心點(diǎn)
centers.append(X[sample_i])
break
return centers
X = np.array([[0,2],[0,0],[1,0],[5,0],[5,2]])
# 設(shè)定聚類類別為2個,最大迭代次數(shù)為10次
labels = Mykmeans(X, k = 2, max_iterations = 10,init = 'kmeans++')
print("最后分類結(jié)果",labels)
## 輸出為 [1. 1. 1. 0. 0.]
# 使用sklearn驗(yàn)證 X = np.array([[0,2],[0,0],[1,0],[5,0],[5,2]]) kmeans = KMeans(n_clusters=2,init='k-means++').fit(X) print(kmeans.labels_)
參考文檔
K-means與K-means++
K-means原理、優(yōu)化及應(yīng)用
到此這篇關(guān)于python中k-means和k-means++原理及實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)python k-means和k-means++ 內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
python實(shí)現(xiàn)根據(jù)ip地址反向查找主機(jī)名稱的方法
這篇文章主要介紹了python實(shí)現(xiàn)根據(jù)ip地址反向查找主機(jī)名稱的方法,涉及Python使用socket解析IP的相關(guān)技巧,非常具有實(shí)用價值,需要的朋友可以參考下2015-04-04
python中pivot()函數(shù)基礎(chǔ)知識點(diǎn)
在本篇內(nèi)容里小編給大家分享的是一篇關(guān)于python中pivot()函數(shù)基礎(chǔ)知識點(diǎn)內(nèi)容,對此有興趣的朋友們可以參考學(xué)習(xí)下。2021-01-01
Python?numpy生成矩陣基礎(chǔ)用法實(shí)例代碼
矩陣是matrix類型的對象,該類繼承自numpy.ndarray,任何針對ndarray的操作,對矩陣對象同樣有效,下面這篇文章主要給大家介紹了關(guān)于Python?numpy生成矩陣基礎(chǔ)的相關(guān)資料,需要的朋友可以參考下2022-08-08
Python中easy_install 和 pip 的安裝及使用
本篇文章主要介紹了Python中easy_install 和 pip 的安裝及使用,具有一定的參考價值,感興趣的小伙伴們可以參考一下2017-06-06

