机器学习-KMeans算法（图解算法原理）简介算法原理sklearn库调用K的取值

122 阅读 0 评论 81 点赞

我是靠谱客的博主眼睛大花卷，这篇文章主要介绍机器学习-KMeans算法（图解算法原理）简介算法原理sklearn库调用K的取值，现在分享给大家，希望可以做个参考。

文章目录

简介
算法原理
sklearn库调用
K的取值

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。

简介

k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，也就是将数据分成K个簇的算法，其中K是用户指定的。

比如将下图中数据分为3簇，不同颜色为1簇。
在这里插入图片描述

K-means算法的作用就是将数据划分成K个簇，每个簇高度相关，即离所在簇的质心是最近的。
下面将简介K-means算法原理步骤。

算法原理

随机选取K个质心

随机3个点为质心（红黄蓝），淡蓝色为数据。
在这里插入图片描述

附可视化代码：

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
# 生成数据集：500个点，二维特征，3个质心
x, y = make_blobs(n_samples=500, n_features=2, centers=3, random_state=20220929)
plt.scatter(x[:, 0], x[:, 1], color="lightblue")
# 随机
center = [[3, -1], [5, -2.5], [8, -2]]
colors = ["red", "gold", "blue"]
plt.scatter(center[0][0], center[0][1], color=colors[0])
plt.scatter(center[1][0], center[1][1], color=colors[1])
plt.scatter(center[2][0], center[2][1], color=colors[2])
plt.show()

计算每个数据到各质心距离

一般使用欧氏距离来计算，为了便于展示，取特征维数为2，即 $sqrt{(x_1-x_2)^2+(y_1-y_2)^2}$

复制代码

1
2
3
def _distance(v1, v2):  # 不开根号节省算力，效果一致
    return np.sum(np.square(v1-v2))

将数据分到最近质心的簇

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
    dist = np.zeros((500, 3), float)  # 距离
    c = [3]  # 3个簇
    for i in range(500):
        mx = -1.  # 最近值
        idx = 0  #最近簇
        for j in range(3):
            dist[i][j] = _distance(x[i], center[j])
            if mx > dist[i][j] or mx == -1.:
                mx = dist[i][j]
                idx = j
        # 设置透明度，以区分质心    
        plt.scatter(x[i][0], x[i][1], color=colors[idx], alpha=0.2)
        c[idx].append(i)  
    plt.show()

在这里插入图片描述

根据各簇数据更新质心

$c_j=frac{1}{left|c_jright|}sum_{xin c_j}x$
其中 $c_j$ 表示第 $j$ 个质心，也就是计算属于当前簇数据的均值作为新的质心。即K均值算法名称由来。

当平均误差和SSE越小越接近质心，由推导得质心取数据均值时，SSE最小。

比如数据[[1, 2], [3, 4]]属于同一个簇，则更新簇中心为[2, 3]。

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
    # 更新质心
    for i in range(3):
        sum_x = 0.
        sum_y = 0.
        for j in range(len(c[i])):
            sum_x += x[c[i][j]][0]
            sum_y += x[c[i][j]][1]
        center[i] = [sum_x/len(c[i]), sum_y/len(c[i])]
    plt.scatter(center[0][0], center[0][1], color=colors[0])
    plt.scatter(center[1][0], center[1][1], color=colors[1])
    plt.scatter(center[2][0], center[2][1], color=colors[2])
    plt.show()

在这里插入图片描述

（~~插播反爬信息~~ ）博主CSDN地址：https://wzlodq.blog.csdn.net/

重复2-4步直到收敛

$sum_{i=1}^n argmin||x_i-c_i ||$
计算当前聚类的平方差，循环退出条件是取得最小的平方差，也就是质心不再改变的时候。最终质心一定是确定的，不会陷入死循环。

随着循环次数逐渐收敛，不难证第1步随机的初始质心对结果无影响，即使得K-means算法具有普遍适用性。

在这里插入图片描述

可以看出，第六次更新后聚类相同，数据收敛。
大家可以尝试修改初始质心，查看结果是否一致。

sklearn库调用

上面手动复现了K-means代码的实现，但其实sklearn库有相应的封装函数，本节介绍其调用。
sklearn.cluster.KMeans，主要参数：

n_clusters：k值，质心数，默认8
max_iter : int, default：最大迭代次数
tol：质心的变化率小于此值时结束，默认1e-4
random_state：随机种子

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs

if __name__ == "__main__":
    # 数据
    x, y = make_blobs(n_samples=500, n_features=2, centers=3, random_state=20220929)
    # 创建KMeans对象
    km = KMeans(n_clusters=3, random_state=20220929)
    # 训练模型
    km.fit(x)
    # 测试
    predict = km.predict(x)
    # 可视化
    plt.scatter(x[:, 0], x[:, 1], c=predict)
    plt.show()

在这里插入图片描述
用过都说好(～￣▽￣)～

K的取值

最后还有一个问题，就是K是用户指定的，那又该怎么确定K值呢？

站在巨人的肩膀上，主要有两种方法：手肘法和轮廓系数法。

手肘法

$SSE=sum_{i=1}^ksum_{pin C_i}|p-m_i|^2$
$C_i$ 表示第 $i$ 个簇， $m_i$ 表示第 $i$ 个簇的质心， $p$ 是数据样本点。

根据误差平方和SSE来选择K值，但并不是选SSE最小时对应的K，而是选SSE突然变小时的K，如下图，K应选3，图似手肘故得名。
在这里插入图片描述

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs

if __name__ == "__main__":
    x, y = make_blobs(n_samples=500, n_features=2, centers=3, random_state=20220929)
    SSE = []
    for k in range(2, 10):
        km = KMeans(n_clusters=k)
        km.fit(x)
        SSE.append(km.inertia_)
    plt.xlabel('K')
    plt.ylabel('误差平方和')
    plt.plot(range(2, 10), SSE, 'o-')
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.show()

轮廓系数法

$S = b − a m a x ( a , b ) S=frac{b-a}{max(a,b)}$
$a$ 是到同簇中其它样本的平均距离，表示内聚度。
$b$ 是到其他簇中所有样本的平均距离，表示分离度。

考虑内聚度和分离度两个因素，计算轮廓系数（Silhouette Coefficient）S，S越接近1则聚类效果越好。如下图，K=3时，S最接近1。
在这里插入图片描述

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
from sklearn.metrics import silhouette_score

if __name__ == "__main__":
    x, y = make_blobs(n_samples=500, n_features=2, centers=3, random_state=20220929)
    S = []
    for k in range(2, 10):
        km = KMeans(n_clusters=k)
        km.fit(x)
        S.append(silhouette_score(x, km.labels_))
    plt.xlabel('K')
    plt.ylabel('轮廓系数')
    plt.plot(range(2, 10), S, 'o-')
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.show()