机器学习—聚类(Clustering)

Love The Way You Lie 2022-02-05 01:09 406阅读 0赞

##### K均值算法(K-means algorithm) #####

![K-means][]

*  用μ1,μ2,…,μk 来表示聚类中心
 *  用c(i)(i=1,…m)来存储与第 i 个样本数据x(i)最近的聚类中心的索引  
    ![k-means][]
 *  先随机初始化聚类中心
 *  算法的两个重要循环：
    
    1.  第一个for循环，计算每个样本数据x(i)距离哪一个聚类中心近，即：对于每个样本数据x(i) ，计算其应该属于的聚类中心
    2.  第二个for循环，是聚类中心的移动，即：对于每一个聚类中心，重新计算它的中心

##### K均值算法优化目标 #####

![=][20190504084053332.png] 目前被分配的聚类中心的样本 ![在这里插入图片描述][20190504084107781.png]指数 (1,2,…, )  
![=][20190504084116228.png] 聚类中心 (![在这里插入图片描述][20190504084124430.png] )  
![=][20190504084132854.png] 已经被分配聚类中心的样本 ![在这里插入图片描述][20190504084139308.png]

优化目标（代价函数）:  
![在这里插入图片描述][20190504084148429.png]

##### K均值算法应用于未分开的聚类 #####

*  第一个循环是用于减小c(i)引起的代价
 *  第二个循环则是用于减小μk引起的代价
 *  迭代的过程一定会是每一次迭代都在减小代价函数，不然便是出现了错误。  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDE4NzQ1MA_size_16_color_FFFFFF_t_70]  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDE4NzQ1MA_size_16_color_FFFFFF_t_70 1]

##### 选择聚类数：“肘部法则” #####

*  关于“肘部法则”，所需要做的是改变K值，也就是聚类类别数目的总数。用一个聚类来运行K均值聚类方法。这就意味着，所有的数据都会分到一个聚类里，然后计算成本函数J。
 *  K代表聚类数目
 *  在k=3时，图形达到了一个最优的最小值。即使within-cluster的距离在3之后减少，我们还需要做更多的计算。这与收益递减律类似。因此，我们选择一个3作为最优。  
    ![在这里插入图片描述][20190504084338322.png]

##### K-Means主要有两个最重大的缺陷 #####

*  K 是事先给定的，这个 K 值的选定是非常难以估计的。很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适。
 *  K-Means算法需要随机初始种子点，这个随机种子点太重要，不同的随机种子点会有得到完全不同的结果。

##### 聚类算法python实现思路 #####

1.  数据预处理  
    (初始化、缩放)
2.  K均值算法  
    1)距离函数  
    2)聚类中心初始化  
    3)Kmean计算
3.  计算并展示结果

##### 聚类算法python库实现: #####

import numpy as np     # 导入numpy库
    import matplotlib.pyplot as plt      # 导入matplotlib.pylab库
    from sklearn.cluster import KMeans    # 导入sklearn.cluster库

estimator = KMeans(n_clusters=4)

> 主要参数：  
> n\_clusters : 隐聚类中心数目, 缺省为8  
> init : 初始化方法 \{‘k-means++’, ‘random‘, ndarray\}, 缺省’k-means++’ (智能选择聚类中心)  
> n\_init : k-means算法在以不同的聚类中心组合运行的次数，缺省10  
> max\_iter : k-means算法每次运行时，最大迭代次数，缺省300  
> tol : 容忍度, 可选, 没两次代价的差值达到10-4就停止了。缺省le-4, 达到此值即停止  
> precompute\_distances : 提前计算距离\{‘auto’, True, False\} ‘auto’: 若n\_samples \* n\_clusters > 12 million 不进行  
> random\_state: 缺省None; 若int, 随机数产生器seed, 若RandomStates实例, 随机数产生器, 若None, np.random

> **缺点：结果高度依赖于初始值的设置**

estimate.predict(X)    #预测数据集X中每个样本所属的聚类中心索引
    estimate.fit_predict(X)   #计算聚类并预测每个样本的中心：[索引1, 索引2…]
    estimate.transform(X)   #将样本数据集X转换到(聚类-距离)空间shape(m,k)
    estimate.fit_transform(X)  # 计算聚类并将X转换到(聚类-距离)空间: shape(m,k)
    estimate.cluster_centers_    #聚类中心坐标: shape(k, n_features)
    estimate.labels_   #每个样本的所属中心标签索引,同predict(X),shape(m,)
    estimate.inertia_    # 所有样本与其最近中心距离的平方和
    estimate.score(X)    # k-mean算法目标值的相反值, 即inertia_相反值

###### 计算并展示结果(分类结果) ######

def showCluster(X, k, centroids, clusterAssment):
        m, dim = X.shape       #样本数m,维度dim
    # 画所有样本
        mark = [‘or’, ‘ob’, ‘og’, ‘ok’, ‘^r’, ‘+r’, ‘sr’, ‘dr’, ‘<r’, ‘pr’]
        for i in range(m):
            markIndex = int(clusterAssment[i, 0])   #样本所属中心
            plt.plot(X[i, 0], X[i, 1], mark[markIndex])
    
    # 画聚类中心
        mark = [‘Dr’, ‘Db’, ‘Dg’, ‘Dk’, ‘^b’, ‘+b’, ‘sb’, ‘db’, ‘<b’, ‘pb’]
        for i in range(k):
            plt.plot(centroids[i, 0], centroids[i, 1], mark[i], markersize=20)
        plt.show()

![分类结果][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDE4NzQ1MA_size_16_color_FFFFFF_t_70 2]

###### 计算并展示结果(肘部法则曲线) ######

#画肘部法则曲线
    k=[]
    inertia=[]
    for i in range(data.shape[0]-1):
        estimator = KMeans(n_clusters=i+1)
        res = estimator.fit_predict(data)
        k.append(i+1)
        inertia.append(estimator.inertia_); #print(int(inertia))
    
    plt.figure('肘部法则')
    plt.title('肘部曲线')
    plt.plot(k,inertia)
    plt.scatter(k,inertia,c='r')
    #画标注
    for i in range(data.shape[0]-1):
        plt.annotate(str(k[i]), xy=(k[i], inertia[i]), xytext=(+0, +4),
                 textcoords='offset points', fontsize=10)
    plt.show()

![肘部法则曲线][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDE4NzQ1MA_size_16_color_FFFFFF_t_70 3]

[K-means]: /images/20220205/b387a0b2a4bc48a395c75b5ec3c5cf22.png
[k-means]: /images/20220205/f7cde1e3810e4250adff3f871d1d7e49.png
[20190504084053332.png]: https://img-blog.csdnimg.cn/20190504084053332.png
[20190504084107781.png]: /images/20220205/1f10c8689eb84aaab7cac4696591fe5d.png
[20190504084116228.png]: https://img-blog.csdnimg.cn/20190504084116228.png
[20190504084124430.png]: /images/20220205/9ae4c0c361814088a9cc27d6e3b512f5.png
[20190504084132854.png]: https://img-blog.csdnimg.cn/20190504084132854.png
[20190504084139308.png]: /images/20220205/d257103cc0194ad7ba2a49600ebf5aab.png
[20190504084148429.png]: /images/20220205/eb5cba7740db45cb85a2add502850b9e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDE4NzQ1MA_size_16_color_FFFFFF_t_70]: /images/20220205/9fa424e9a0c94155b76ddd378aea1d3a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDE4NzQ1MA_size_16_color_FFFFFF_t_70 1]: /images/20220205/8f63c3b4cc2e410ca83e987ca7a4cc60.png
[20190504084338322.png]: /images/20220205/e103892440e644b5a017efef50d18762.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDE4NzQ1MA_size_16_color_FFFFFF_t_70 2]: /images/20220205/2b75d155d5944ba4af2d68e3a9426e22.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDE4NzQ1MA_size_16_color_FFFFFF_t_70 3]: /images/20220205/9dcf7af46a8c40bfa27f77af9e52e3b6.png