人工智能——K-Means聚類算法及Python實現(xiàn)
1 概述
1.1 無監(jiān)督學習
在一個典型的監(jiān)督學習中,我們有一個有標簽的訓練集,我們的目標是找到能夠區(qū)分正
樣本和負樣本的決策邊界,在這里的監(jiān)督學習中,我們有一系列標簽,我們需要據(jù)此擬合一
個假設(shè)函數(shù)。與此不同的是,在非監(jiān)督學習中,我們的數(shù)據(jù)沒有附帶任何標簽,我們拿到的
數(shù)據(jù)就是這樣的:
在這里我們有一系列點,卻沒有標簽。因此,我們的訓練集可以寫成只有:
我們沒有任何標簽?。因此,圖上畫的這些點沒有標簽信息。也就是說,在非監(jiān) 督學習中,我們需要將一系列無標簽的訓練數(shù)據(jù),輸入到一個算法中,然后我們告訴這個算法,快去為我們找找這個數(shù)據(jù)的內(nèi)在結(jié)構(gòu)給定數(shù)據(jù)。我們可能需要某種算法幫助我們尋找一 種結(jié)構(gòu)。圖上的數(shù)據(jù)看起來可以分成兩個分開的點集(稱為簇), 一個能夠找到我圈出的這 些點集的算法,就被稱為聚類算法 。
這將是我們介紹的第一個非監(jiān)督學習算法。當然,此后我們還將提到其他類型的非監(jiān)督
學習算法,它們可以為我們找到其他類型的結(jié)構(gòu)或者其他的一些模式,而不只是簇。
我們將先介紹聚類算法。此后,我們將陸續(xù)介紹其他算法。那么聚類算法一般用來做什
么呢?
比如市場分割。也許你在數(shù)據(jù)庫中存儲了許多客戶的信息,而你希望將他們分成不同的客戶群,這樣你可以對不同類型的客戶分別銷售產(chǎn)品或者分別提供更適合的服務(wù)。社交網(wǎng)絡(luò)分析:事實上有許多研究人員正在研究這樣一些內(nèi)容,他們關(guān)注一群人,關(guān)注社交網(wǎng)絡(luò),例如 Facebook , Google+,或者是其他的一些信息,比如說:你經(jīng)常跟哪些人聯(lián)系,而這些人又經(jīng)常給哪些人發(fā)郵件,由此找到關(guān)系密切的人群。因此,這可能需要另一個聚類算法,你希望用它發(fā)現(xiàn)社交網(wǎng)絡(luò)中關(guān)系密切的朋友。 研究這個問題,希望使用聚類算法來更好的組織計算機集群,或者更好的管理數(shù)據(jù)中心。因為如果你知道數(shù)據(jù)中心中,那些計算機經(jīng)常協(xié)作工作。那么,你可以重新分配資源,重新布局網(wǎng)絡(luò)。由此優(yōu)化數(shù)據(jù)中心,優(yōu)化數(shù)據(jù)通信。
最后,我實際上還在研究如何利用聚類算法了解星系的形成。然后用這個知識,了解一
些天文學上的細節(jié)問題。好的,這就是聚類算法。這將是我們介紹的第一個非監(jiān)督學習算法,接下來,我們將開始介紹一個具體的聚類算法。
1.2 聚類
1.3 K-Mean均值算法
2 K-Mean均值算法
2.1 引入
K- 均值 是最普及的聚類算法,算法接受一個未標記的數(shù)據(jù)集,然后將數(shù)據(jù)聚類成不同的
組
步驟:
- 設(shè)定 K 個類別的中心的初值;
- 計算每個樣本到 K個中心的距離,按最近距離進行分類;
- 以每個類別中樣本的均值,更新該類別的中心;
- 重復(fù)迭代以上步驟,直到達到終止條件(迭代次數(shù)、最小平方誤差、簇中心點變化率)。
下面是一個聚類示例:
K-means聚類算法:
K-均值算法的偽代碼如下:
Repeat { for i = 1 to m c(i) := index (form 1 to K) of cluster centroid closest to x(i) for k = 1 to K μk := average (mean) of points assigned to cluster k }
算法分為兩個步驟,第一個 for 循環(huán)是賦值步驟,即:對于每一個樣例 i ,計算其應(yīng)該屬
于的類。第二個 for 循環(huán)是聚類中心的移動,即:對于每一個類K ,重新計算該類的質(zhì)心。
from sklearn.cluster import KMeans ?# 導(dǎo)入 sklearn.cluster.KMeans 類 import numpy as np ? X = np.array([[1,2], [1,4], [1,0], [10,2], [10,4], [10,0]]) kmCluster = KMeans(n_clusters=2).fit(X) ?# 建立模型并進行聚類,設(shè)定 K=2 print("聚類中心坐標:",kmCluster.cluster_centers_) ?# 返回每個聚類中心的坐標 print("分類結(jié)果:",kmCluster.labels_) ?# 返回樣本集的分類結(jié)果 print("顯示預(yù)測判斷:",kmCluster.predict([[0, 0], [12, 3]])) ?# 根據(jù)模型聚類結(jié)果進行預(yù)測判斷
聚類中心坐標: [[10. ?2.] ?[ 1. ?2.]] 分類結(jié)果: [1 1 1 0 0 0] 顯示預(yù)測判斷: [1 0] ? Process finished with exit code 0
2.2 針對大樣本集的改進算法:Mini Batch K-Means
對于樣本集巨大的問題,例如樣本量大于 10萬、特征變量大于100,K-Means算法耗費的速度和內(nèi)存很大。SKlearn 提供了針對大樣本集的改進算法Mini Batch K-Means
,并不使用全部樣本數(shù)據(jù),而是每次抽樣選取小樣本集進行 K-Means聚類,進行循環(huán)迭代。Mini Batch K-Means
雖然性能略有降低,但極大的提高了運行速度和內(nèi)存占用?!?/p>
from sklearn.cluster import MiniBatchKMeans # 導(dǎo)入 .MiniBatchKMeans 類 import numpy as np X = np.array([[1,2], [1,4], [1,0], [4,2], [4,0], [4,4], ? ? ? ? ? ? ? [4,5], [0,1], [2,2],[3,2], [5,5], [1,-1]]) # fit on the whole data mbkmCluster = MiniBatchKMeans(n_clusters=3,batch_size=6,max_iter=10).fit(X) print("聚類中心的坐標:",mbkmCluster.cluster_centers_) # 返回每個聚類中心的坐標 print("樣本集的分類結(jié)果:",mbkmCluster.labels_) ?# 返回樣本集的分類結(jié)果 print("顯示判斷結(jié)果:樣本屬于哪個類別:",mbkmCluster.predict([[0,0], [4,5]])) ?# 根據(jù)模型聚類結(jié)果進行預(yù)測判斷
聚類中心的坐標: [[ 2.55932203 ?1.76271186] ?[ 0.75862069 -0.20689655] ?[ 4.20588235 ?4.5 ? ? ? ]] 樣本集的分類結(jié)果: [0 0 1 0 0 2 2 1 0 0 2 1] 顯示判斷結(jié)果:樣本屬于哪個類別: [1 2] ? Process finished with exit code 0
2.3 圖像
from sklearn.cluster import kmeans_plusplus from sklearn.datasets import make_blobs import matplotlib.pyplot as plt ? # Generate sample data n_samples = 4000 n_components = 4 ? X, y_true = make_blobs( ? ? n_samples=n_samples, centers=n_components, cluster_std=0.60, random_state=0 ) X = X[:, ::-1] ? # Calculate seeds from kmeans++ centers_init, indices = kmeans_plusplus(X, n_clusters=4, random_state=0) ? # Plot init seeds along side sample data plt.figure(1) colors = ["#4EACC5", "#FF9C34", "#4E9A06", "m"] ? for k, col in enumerate(colors): ? ? cluster_data = y_true == k ? ? plt.scatter(X[cluster_data, 0], X[cluster_data, 1], c=col, marker=".", s=10) ? plt.scatter(centers_init[:, 0], centers_init[:, 1], c="b", s=50) plt.title("K-Means++ Initialization") plt.xticks([]) plt.yticks([]) plt.show()
3 案例1
3.1 代碼
# ?-*- coding: utf-8 -*- import numpy as np import pandas as pd from sklearn.cluster import KMeans, MiniBatchKMeans ? def main(): ? ? # 讀取數(shù)據(jù)文件 ? ? file = pd.read_excel('K-Means.xlsx', header=0) ?# 首行為標題行 ? ? file = file.dropna() ?# 刪除含有缺失值的數(shù)據(jù) ? ? # print(file.dtypes) ?# 查看 df 各列的數(shù)據(jù)類型 ? ? # print(file.shape) ?# 查看 df 的行數(shù)和列數(shù) ? ? print(file.head()) ? ? ? # 數(shù)據(jù)準備 ? ? z_scaler = lambda x:(x-np.mean(x))/np.std(x) ?# 定義數(shù)據(jù)標準化函數(shù) ? ? dfScaler = file[['D1','D2','D3','D4','D5','D6','D7','D8','D9','D10']].apply(z_scaler) ?# 數(shù)據(jù)歸一化 ? ? dfData = pd.concat([file[['地區(qū)']], dfScaler], axis=1) ?# 列級別合并 ? ? df = dfData.loc[:,['D1','D2','D3','D4','D5','D6','D7','D8','D9','D10']] ?# 基于全部 10個特征聚類分析 ? ? # df = dfData.loc[:,['D1','D2','D7','D8','D9','D10']] ?# 降維后選取 6個特征聚類分析 ? ? X = np.array(df) ?# 準備 sklearn.cluster.KMeans 模型數(shù)據(jù) ? ? print("Shape of cluster data:", X.shape) ? ? ? # KMeans 聚類分析(sklearn.cluster.KMeans) ? ? nCluster = 4 ? ? kmCluster = KMeans(n_clusters=nCluster).fit(X) ?# 建立模型并進行聚類,設(shè)定 K=4 ? ? print("Cluster centers:\n", kmCluster.cluster_centers_) ?# 返回每個聚類中心的坐標 ? ? print("Cluster results:\n", kmCluster.labels_) ?# 返回樣本集的分類結(jié)果 ? ? ? # 整理聚類結(jié)果(太棒啦!) ? ? listName = dfData['地區(qū)'].tolist() ?# 將 dfData 的首列 '地區(qū)' 轉(zhuǎn)換為 list ? ? dictCluster = dict(zip(listName,kmCluster.labels_)) ?# 將 listName 與聚類結(jié)果關(guān)聯(lián),組成字典 ? ? listCluster = [[] for k in range(nCluster)] ? ? for v in range(0, len(dictCluster)): ? ? ? ? k = list(dictCluster.values())[v] ?# 第v個城市的分類是 k ? ? ? ? listCluster[k].append(list(dictCluster.keys())[v]) ?# 將第v個城市添加到 第k類 ? ? print("\n聚類分析結(jié)果(分為{}類):".format(nCluster)) ?# 返回樣本集的分類結(jié)果 ? ? for k in range(nCluster): ? ? ? ? print("第 {} 類:{}".format(k, listCluster[k])) ?# 顯示第 k 類的結(jié)果 ? ? ? return ? if __name__ == '__main__': ? ? main()
3.2 結(jié)果
地區(qū) D1 D2 D3 D4 D5 D6 D7 D8 D9 D10
0 北京 5.96 310 461 1557 931 319 44.36 2615 2.20 13631
1 上海 3.39 234 308 1035 498 161 35.02 3052 0.90 12665
2 天津 2.35 157 229 713 295 109 38.40 3031 0.86 9385
3 陜西 1.35 81 111 364 150 58 30.45 2699 1.22 7881
4 遼寧 1.50 88 128 421 144 58 34.30 2808 0.54 7733
Shape of cluster data: (30, 10)
Cluster centers:
[[-3.04626787e-01 -2.89307971e-01 -2.90845727e-01 -2.88480032e-01
-2.85445404e-01 -2.85283077e-01 -6.22770669e-02 1.12938023e-03
-2.71308432e-01 -3.03408599e-01]
[ 4.44318512e+00 3.97251590e+00 4.16079449e+00 4.20994153e+00
4.61768098e+00 4.65296699e+00 2.45321197e+00 4.02147595e-01
4.22779099e+00 2.44672575e+00]
[ 1.52987871e+00 2.10479182e+00 1.97836141e+00 1.92037518e+00
1.54974999e+00 1.50344182e+00 1.13526879e+00 1.13595799e+00
8.39397483e-01 1.38149832e+00]
[ 4.17353928e-01 -6.60092295e-01 -5.55528420e-01 -5.50211065e-01
-2.95600461e-01 -2.42490616e-01 -3.10454580e+00 -2.70342746e+00
1.14743326e+00 2.67890118e+00]]
Cluster results:
[1 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0]
聚類分析結(jié)果(分為4類):
第 0 類:['陜西', '遼寧', '吉林', '黑龍江', '湖北', '江蘇', '廣東', '四川', '山東', '甘肅', '湖南', '浙江', '新疆', '福建', '山西', '河北', '安徽', '云南', '江西', '海南', '內(nèi)蒙古', '河南', '廣西', '寧夏', '貴州', '青海']
第 1 類:['北京']
第 2 類:['上海', '天津']
第 3 類:['西藏']
Process finished with exit code 0
4 案例2
4.1 案例——數(shù)據(jù)
(1)數(shù)據(jù)介紹:
現(xiàn)有1999年全國31個省份城鎮(zhèn)居民家庭平均每人全年消費性支出的八個主要變量數(shù)據(jù),這八個變量分別是:食品、衣著、家庭設(shè)備用品及服務(wù)、醫(yī)療保健、交通和通訊、娛樂教育文化服務(wù)、居住以及雜項商品和服務(wù)。利用已有數(shù)據(jù),對31個省份進行聚類。
(2)實驗?zāi)康模?/strong>
通過聚類,了解 1999 年各個省份的消費水平在國內(nèi)的情況
1999年全國31個省份城鎮(zhèn)居民家庭平均每人全年消費性支出數(shù)據(jù):
4.2 代碼
#*========================1. 建立工程,導(dǎo)入sklearn相關(guān)包======================================** ? import numpy as np from sklearn.cluster import KMeans ? #*======================2. 加載數(shù)據(jù),創(chuàng)建K-means算法實例,并進行訓練,獲得標簽====================** ? def loadData(filePath): ? ? fr = open(filePath, 'r+') ? ? ? ? ? ?#r+:讀寫打開一個文本文件 ? ? lines = fr.readlines() ? ? ? ? ? #.readlines() 一次讀取整個文件(類似于 .read() ) .readline() 每次只讀.readlines() 慢得多。 ? ? retData = [] ? ? ? ? ? ? ? ? ? ? #retData:用來存儲城市的各項消費信息 ? ? retCityName = [] ? ? ? ? ? ? ? ? #retCityName:用來存儲城市名稱 ? ? for line in lines: ? ? ? ? items = line.strip().split(",") ? ? ? ? retCityName.append(items[0]) ? ? ? ? retData.append([float(items[i]) for i in range(1, len(items))]) ? ? return retData, retCityName ? ? ?#返回值:返回城市名稱,以及該城市的各項消費信息 ? def main(): ? ? data, cityName = loadData('city.txt') ? ?#1.利用loadData方法讀取數(shù)據(jù) ? ? km = KMeans(n_clusters=4) ? ? ? ? ? ? ? ?#2.創(chuàng)建實例 ? ? label = km.fit_predict(data) ? ? ? ? ? ? #3.調(diào)用Kmeans()fit_predict()方法進行計算 ? ? expenses = np.sum(km.cluster_centers_, axis=1) ? ? # print(expenses) ? ? CityCluster = [[], [], [], []] ? ? ? ? ?#將城市按label分成設(shè)定的簇 ? ? for i in range(len(cityName)): ? ? ? ? CityCluster[label[i]].append(cityName[i]) ? #將每個簇的城市輸出 ? ? for i in range(len(CityCluster)): ? ? ? ? ? ? ?#將每個簇的平均花費輸出 ? ? ? ? print("Expenses:%.2f" % expenses[i]) ? ? ? ? print(CityCluster[i]) ? if __name__ == '__main__': ? ? main() ? #*=============3. 輸出標簽,查看結(jié)果========================================** ? #將城市按照消費水平n_clusters類,消費水平相近的城市聚集在一類中 #expense:聚類中心點的數(shù)值加和,也就是平均消費水平 ? ?
4.3 結(jié)果
從結(jié)果可以看出消費水平相近的省市聚集在了一類,例如消費最高的“北京”“上海”“廣東”
聚集在了消費最高的類別。聚4類時,結(jié)果可以比較明顯的看出消費層級。
4.4 拓展&&改進
計算兩條數(shù)據(jù)相似性時,Sklearn
的K-Means
默認用的是歐式距離。雖然還有余弦相似度,馬氏距離等多種方法,但沒有設(shè)定計算距離方法的參數(shù)。
(1)如果想要自定義計算距離的方式時,可以更改此處源碼。
(2)建議使用 scipy.spatial.distance.cdist 方法。
使用形式:scipy.spatial.distance.cdist(A, B, metric=‘cosine’):
重要參數(shù):
• A:A向量
• B:B向量
• metric: 計算A和B距離的方法,更改此參
數(shù)可以更改調(diào)用的計算距離的方法
到此這篇關(guān)于人工智能——K-Means聚類算法及Python實現(xiàn)的文章就介紹到這了,更多相關(guān) K-Means聚類算法及Python實現(xiàn)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
jupyter notebook 添加kernel permission denied的操作
這篇文章主要介紹了jupyter notebook 添加kernel permission denied的操作,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-04-04python網(wǎng)絡(luò)編程示例(客戶端與服務(wù)端)
這篇文章主要介紹了python網(wǎng)絡(luò)編程示例,提供了客戶端與服務(wù)端,需要的朋友可以參考下2014-04-04