K-means算法簡介
K-means是機器學習中一個比較常用的算法,屬于無監督學習算法,其常被用于資料的聚類,隻需為它指定簇的數量即可自動将資料聚合到多類中,相同簇中的資料相似度較高,不同簇中資料相似度較低。
K-MEANS算法是輸入聚類個數k,以及包含 n個資料對象的資料庫,輸出滿足方差最小标準k個聚類的一種算法。k-means 算法接受輸入量 k ;然後将n個資料對象劃分為 k個聚類以便使得所獲得的聚類滿足:同一聚類中的對象相似度較高;而不同聚類中的對象相似度較小。
核心思想
通過疊代尋找k個類簇的一種劃分方案,使得用這k個類簇的均值來代表相應各類樣本時所得的總體誤差最小。
k個聚類具有以下特點:各聚類本身盡可能的緊湊,而各聚類之間盡可能的分開。
k-means算法的基礎是最小誤差平方和準則,K-menas的優缺點:
優點:
原理簡單
速度快
對大資料集有比較好的伸縮性
缺點:
需要指定聚類 數量K
對異常值敏感
對初始值敏感
K-means的聚類過程
其聚類過程類似于梯度下降算法,建立代價函數并通過疊代使得代價函數值越來越小
适當選擇c個類的初始中心;
在第k次疊代中,對任意一個樣本,求其到c個中心的距離,将該樣本歸到距離最短的中心所在的類;
利用均值等方法更新該類的中心值;
對于所有的c個聚類中心,如果利用(2)(3)的疊代法更新後,值保持不變,則疊代結束,否則繼續疊代。
該算法的最大優勢在于簡潔和快速。算法的關鍵在于初始中心的選擇和距離公式。
K-means 執行個體展示
python中km的一些參數:
sklearn.cluster.KMeans(
n_clusters=8,
init='k-means++',
n_init=10,
max_iter=300,
tol=0.0001,
precompute_distances='auto',
verbose=0,
random_state=None,
copy_x=True,
n_jobs=1,
algorithm='auto'
)
n_clusters: 簇的個數,即你想聚成幾類
init: 初始簇中心的擷取方法
n_init: 擷取初始簇中心的更疊次數,為了彌補初始質心的影響,算法預設會初始10個質心,實作算法,然後傳回最好的結果。
max_iter: 最大疊代次數(因為kmeans算法的實作需要疊代)
tol: 容忍度,即kmeans運作準則收斂的條件
precompute_distances:是否需要提前計算距離,這個參數會在空間和時間之間做權衡,如果是True 會把整個距離矩陣都放到記憶體中,auto 會預設在資料樣本大于featurs*samples 的數量大于12e6 的時候False,False 時核心實作的方法是利用Cpython 來實作的
verbose: 冗長模式(不太懂是啥意思,反正一般不去改預設值)
random_state: 随機生成簇中心的狀态條件。
copy_x: 對是否修改資料的一個标記,如果True,即複制了就不會修改資料。bool 在scikit-learn 很多接口中都會有這個參數的,就是是否對輸入資料繼續copy 操作,以便不修改使用者的輸入資料。這個要了解Python 的記憶體機制才會比較清楚。
n_jobs: 并行設定
algorithm: kmeans的實作算法,有:'auto', ‘full', ‘elkan', 其中 ‘full'表示用EM方式實作
雖然有很多參數,但是都已經給出了預設值。是以我們一般不需要去傳入這些參數,參數的。可以根據實際需要來調用。
下面展示一個代碼例子
from sklearn.cluster import KMeans
from sklearn.externals import joblib
from sklearn import cluster
import numpy as np
# 生成10*3的矩陣
data = np.random.rand(10,3)
print data
# 聚類為4類
estimator=KMeans(n_clusters=4)
# fit_predict表示拟合+預測,也可以分開寫
res=estimator.fit_predict(data)
# 預測類别标簽結果
lable_pred=estimator.labels_
# 各個類别的聚類中心值
centroids=estimator.cluster_centers_
# 聚類中心均值向量的總和
inertia=estimator.inertia_
print lable_pred
print centroids
print inertia
代碼執行結果
[0 2 1 0 2 2 0 3 2 0]
[[ 0.3028348 0.25183096 0.62493622]
[ 0.88481287 0.70891813 0.79463764]
[ 0.66821961 0.54817207 0.30197415]
[ 0.11629904 0.85684903 0.7088385 ]]
0.570794546829
為了更直覺的描述,這次在圖上做一個展示,由于圖像上繪制二維比較直覺,是以資料調整到了二維,選取100個點繪制,聚類類别為3類
from sklearn.cluster import KMeans
from sklearn.externals import joblib
from sklearn import cluster
import numpy as np
import matplotlib.pyplot as plt
data = np.random.rand(100,2)
estimator=KMeans(n_clusters=3)
res=estimator.fit_predict(data)
lable_pred=estimator.labels_
centroids=estimator.cluster_centers_
inertia=estimator.inertia_
#print res
print lable_pred
print centroids
print inertia
for i in range(len(data)):
if int(lable_pred[i])==0:
plt.scatter(data[i][0],data[i][1],color='red')
if int(lable_pred[i])==1:
plt.scatter(data[i][0],data[i][1],color='black')
if int(lable_pred[i])==2:
plt.scatter(data[i][0],data[i][1],color='blue')
plt.show()
可以看到聚類效果還是不錯的,對k-means的聚類效率進行了一個測試,将次元擴寬到50維
資料規模
消耗時間
資料次元
10000條
4s
50維
100000條
30s
50維
1000000條
4'13s
50維
對于百萬級的資料,拟合時間還是能夠接受的,可見效率還是不錯,對模型的儲存與其它的機器學習算法模型儲存類似
from sklearn.externals import joblib
joblib.dump(km,"model/km_model.m")
總結
以上就是本文關于詳解K-means算法在Python中的實作的全部内容,希望對大家有所幫助。感興趣的朋友可以繼續參閱本站:
Python實作排程算法代碼詳解
Python算法輸出1-9數組形成的結果為100的所有運算式
Python程式設計實作蟻群算法詳解
如有不足之處,歡迎留言指出。感謝朋友們對本站的支援!
本文标題: 詳解K-means算法在Python中的實作
本文位址: http://www.cppcns.com/jiaoben/python/213220.html