1 - 前言
之前我们学习的算法均为监督学习算法,而K-means是我们所学习的第一个无监督学习算法。所以首先让我们了解一下监督学习和无监督学习的区别
1.1 - 监督学习(supervised learning)
从给定的训练数据集中学习出一个函数(模型参数),当新的数据到来时,可以根据这个函数预测结果。
监督学习的训练集要求包括输入输出,也可以说是特征和目标。训练集中的目标是由人标注的。
监督学习就是最常见的分类(注意和聚类区分)问题,通过已有的训练样本(即已知数据及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合,最优表示某个评价准则下是最佳的),再利用这个模型将所有的输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的。也就具有了对未知数据分类的能力。
监督学习的目标往往是让计算机去学习我们已经创建好的分类系统(模型)。
1.2 - 无监督学习(unsupervised learning)
输入数据没有被标记,也没有确定的结果。样本数据类别未知,需要根据样本间的相似性对样本集进行分类(聚类,clustering)试图使类内差距最小化,类间差距最大化。通俗点将就是实际应用中,不少情况下无法预先知道样本的标签,也就是说没有训练样本对应的类别,因而只能从原先没有样本标签的样本集开始学习分类器设计。
非监督学习目标不是告诉计算机怎么做,而是让它(计算机)自己去学习怎样做事情。非监督学习有两种思路。第一种思路是在指导Agent时不为其指定明确分类,而是在成功时,采用某种形式的激励制度。需要注意的是,这类训练通常会置于决策问题的框架里,因为它的目标不是为了产生一个分类系统,而是做出最大回报的决定,这种思路很好的概括了现实世界,agent可以对正确的行为做出激励,而对错误行为做出惩罚。
1.3 - 监督学习和无监督学习的区别
-
有监督学习方法必须要有训练集与测试样本。在训练集中找规律,而对测试样本使用这种规律。而非监督学习没有训练集,只有一组数据,在该组数据集内寻找规律。
-
有监督学习的方法就是识别事物,识别的结果表现在给待识别数据加上了标签。因此训练样本集必须由带标签的样本组成。而非监督学习方法只有要分析的数据集的本身,预先没有什么标签。如果发现数据集呈现某种聚集性,则可按自然的聚集性分类,但不予以某种预先分类标签对上号为目的。
-
非监督学习方法在寻找数据集中的规律性,这种规律性并不一定要达到划分数据集的目的,也就是说不一定要“分类”。
这一点是比有监督学习方法的用途要广。
譬如分析一堆数据的主分量,或分析数据集有什么特点都可以归于非监督学习方法的范畴。 -
用非监督学习方法分析数据集的主分量与用K-L变换计算数据集的主分量又有区别。后者从方法上讲不是学习方法。因此用K-L变换找主分量不属于无监督学习方法,即方法上不是。而通过学习逐渐找到规律性这体现了学习方法这一点。在人工神经元网络中寻找主分量的方法属于无监督学习方法。
2 - K-Means算法简介
K-means是机器学习中一个比较常用的算法,属于无监督学习算法,其常被用于数据的聚类,只需为它指定簇的数量即可自动将数据聚合到多类中,相同簇中的数据相似度较高,不同簇中数据相似度较低。
3 - K-menas的优缺点:
优点:
-
原理简单
-
速度快
-
对大数据集有比较好的伸缩性
缺点:
-
需要指定聚类 数量K
-
对异常值敏感
-
对初始值敏感
4 - K-means的聚类过程:
-
随机选取k个聚类质心点(cluster centroids)为
-
重复下面过程直到收敛
对于每个样例 ,计算其应该属于的类
-
对于每一个类j,重新计算该类的质心
-
对于所有的c个聚类中心,如果利用(2)(3)的迭代法更新后,值保持不变,则迭代结束,否则继续迭代。
聚类过程的图解:
该算法的最大优势在于简洁和快速。算法的关键在于初始中心的选择和距离公式。
5 - Python实现K-means算法
import numpy
import random
import matplotlib.pyplot as plt
#随机生成50个需要聚类的数据
numpy.random.seed(0)
a=numpy.random.random((50,2))
#可视化数据集
for i in range(50):
plt.scatter(a[i][0], a[i][1],color='blue')
print("需要类聚的数据集为:\n",a)
plt.xlabel("x1")
plt.ylabel("x2")
plt.show()
def findCentroids(data_get, k): # 随机获取k个质心
return random.sample(data_get, k)
def calculateDistance(vecA, vecB): # 计算向量vecA和向量vecB之间的欧氏距离
return numpy.sqrt(numpy.sum(numpy.square(vecA - vecB)))
def minDistance(data_get, centroidList):
# 计算data_get中的元素与centroidList中k个聚类中心的欧式距离,找出距离最小的
# 将该元素加入相应的聚类中
clusterDict = dict() # 用字典存储聚类结果
for element in data_get:
vecA = numpy.array(element) # 转换成数组形式
flag = 0 # 元素分类标记,记录与相应聚类距离最近的那个类
minDis = float("inf") # 初始化为最大值
for i in range(len(centroidList)):
vecB = numpy.array(centroidList[i])
distance = calculateDistance(vecA, vecB) # 两向量间的欧式距离
if distance < minDis:
minDis = distance
flag = i # 保存与当前item距离最近的那个聚类的标记
if flag not in clusterDict.keys(): # 簇标记不存在,进行初始化
clusterDict[flag] = list()
clusterDict[flag].append(element) # 加入相应的类中
return clusterDict # 返回新的聚类结果
def getCentroids(clusterDict):
centroidList = list()
for key in clusterDict.keys():
centroid = numpy.mean(numpy.array(clusterDict[key]), axis=0) # 求聚类中心即求解每列的均值
centroidList.append(centroid)
return numpy.array(centroidList).tolist()
def calculate_Var(clusterDict, centroidList):
# 计算聚类间的均方误差
# 将类中各个向量与聚类中心的距离进行累加求和
sum = 0.0
for key in clusterDict.keys():
vecA = numpy.array(centroidList[key])
distance = 0.0
for item in clusterDict[key]:
vecB = numpy.array(item)
distance += calculateDistance(vecA, vecB)
sum += distance
return sum
def showCluster(centroidList, clusterDict):
# 画聚类结果
colorMark = ['or', 'ob', 'og', 'ok', 'oy', 'ow'] # 元素标记
centroidMark = ['dr', 'db', 'dg', 'dk', 'dy', 'dw'] # 聚类中心标记
for key in clusterDict.keys():
plt.plot(centroidList[key][0], centroidList[key][1], centroidMark[key], markersize=12) # 画聚类中心
for item in clusterDict[key]:
plt.plot(item[0], item[1], colorMark[key]) # 画类下的点
plt.show()
data = [[0.5488135 , 0.71518937],
[0.60276338, 0.54488318],
[0.4236548 , 0.64589411],
[0.43758721, 0.891773 ],
[0.96366276, 0.38344152],
[0.79172504, 0.52889492],
[0.56804456, 0.92559664],
[0.07103606, 0.0871293 ],
[0.0202184 , 0.83261985],
[0.77815675, 0.87001215],
[0.97861834, 0.79915856],
[0.46147936, 0.78052918],
[0.11827443, 0.63992102],
[0.14335329, 0.94466892],
[0.52184832, 0.41466194],
[0.26455561, 0.77423369],
[0.45615033, 0.56843395],
[0.0187898 , 0.6176355 ],
[0.61209572, 0.616934 ],
[0.94374808, 0.6818203 ],
[0.3595079 , 0.43703195],
[0.6976312 , 0.06022547],
[0.66676672, 0.67063787],
[0.21038256, 0.1289263 ],
[0.31542835, 0.36371077],
[0.57019677, 0.43860151],
[0.98837384, 0.10204481],
[0.20887676, 0.16130952],
[0.65310833, 0.2532916 ],
[0.46631077, 0.24442559],
[0.15896958, 0.11037514],
[0.65632959, 0.13818295],
[0.19658236, 0.36872517],
[0.82099323, 0.09710128],
[0.83794491, 0.09609841],
[0.97645947, 0.4686512 ],
[0.97676109, 0.60484552],
[0.73926358, 0.03918779],
[0.28280696, 0.12019656],
[0.2961402 , 0.11872772],
[0.31798318, 0.41426299],
[0.0641475 , 0.69247212],
[0.56660145, 0.26538949],
[0.52324805, 0.09394051],
[0.5759465 , 0.9292962 ],
[0.31856895, 0.66741038],
[0.13179786, 0.7163272 ],
[0.28940609, 0.18319136],
[0.58651293, 0.02010755],
[0.82894003, 0.00469548]]
if __name__ == '__main__':
centroidList = findCentroids(data, 3) # 随机获取3个聚类中心
clusterDict = minDistance(data, centroidList) # 第一次聚类迭代
newVar = calculate_Var(clusterDict, centroidList) # 计算均方误差值,通过新旧均方误差来获得迭代终止条件
oldVar = -0.0001 # 初始化均方误差
print('***** 第1次迭代 *****')
for key in clusterDict.keys():
print('聚类中心: ', centroidList[key])
print('对应聚类: ',clusterDict[key])
print('平均均方误差: ', newVar)
showCluster(centroidList, clusterDict) # 展示聚类结果
k = 2
while abs(newVar - oldVar) >= 0.0001: # 当连续两次聚类结果差距小于0.0001时,迭代结束
centroidList = getCentroids(clusterDict) # 获得新的聚类中心
clusterDict = minDistance(data, centroidList) # 新的聚类结果
oldVar = newVar
newVar = calculate_Var(clusterDict, centroidList)
print('***** 第%d次迭代 *****' % k)
for key in clusterDict.keys():
print('聚类中心: ', centroidList[key])
print('对应聚类: ', clusterDict[key])
print('平均均方误差: ', newVar)
showCluster(centroidList, clusterDict) # 展示聚类结果
k += 1