K-means算法簡介

K-means是機(jī)器學(xué)習(xí)中一個(gè)比較常用的算法，屬于無監(jiān)督學(xué)習(xí)算法，其常被用于數(shù)據(jù)的聚類，只需為它指定簇的數(shù)量即可自動(dòng)將數(shù)據(jù)聚合到多類中，相同簇中的數(shù)據(jù)相似度較高，不同簇中數(shù)據(jù)相似度較低。

K-menas的優(yōu)缺點(diǎn)：

優(yōu)點(diǎn)：

• 原理簡單
• 速度快
• 對大數(shù)據(jù)集有比較好的伸縮性

缺點(diǎn)：

• 需要指定聚類 數(shù)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(jià)函數(shù)并通過迭代使得代價(jià)函數(shù)值越來越小

• 適當(dāng)選擇c個(gè)類的初始中心;
• 在第k次迭代中，對任意一個(gè)樣本，求其到c個(gè)中心的距離，將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(gè)聚類中心，如果利用(2)(3)的迭代法更新后，值保持不變，則迭代結(jié)束，否則繼續(xù)迭代。

該算法的***優(yōu)勢在于簡潔和快速。算法的關(guān)鍵在于初始中心的選擇和距離公式。

K-means 實(shí)例展示

python中km的一些參數(shù)：

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(gè)數(shù)，即你想聚成幾類
• init: 初始簇中心的獲取方法
• n_init: 獲取初始簇中心的更迭次數(shù)，為了彌補(bǔ)初始質(zhì)心的影響，算法默認(rèn)會初始10個(gè)質(zhì)心，實(shí)現(xiàn)算法，然后返回***的結(jié)果。
• max_iter: ***迭代次數(shù)(因?yàn)閗means算法的實(shí)現(xiàn)需要迭代)
• tol: 容忍度，即kmeans運(yùn)行準(zhǔn)則收斂的條件
• precompute_distances:是否需要提前計(jì)算距離，這個(gè)參數(shù)會在空間和時(shí)間之間做權(quán)衡，如果是True 會把整個(gè)距離矩陣都放到內(nèi)存中，auto 會默認(rèn)在數(shù)據(jù)樣本大于featurs*samples 的數(shù)量大于12e6 的時(shí)候False,False 時(shí)核心實(shí)現(xiàn)的方法是利用Cpython 來實(shí)現(xiàn)的
• verbose: 冗長模式(不太懂是啥意思，反正一般不去改默認(rèn)值)
• random_state: 隨機(jī)生成簇中心的狀態(tài)條件。
• copy_x: 對是否修改數(shù)據(jù)的一個(gè)標(biāo)記，如果True，即復(fù)制了就不會修改數(shù)據(jù)。bool 在scikit-learn 很多接口中都會有這個(gè)參數(shù)的，就是是否對輸入數(shù)據(jù)繼續(xù)copy 操作，以便不修改用戶的輸入數(shù)據(jù)。這個(gè)要理解Python 的內(nèi)存機(jī)制才會比較清楚。
• n_jobs: 并行設(shè)置
• algorithm: kmeans的實(shí)現(xiàn)算法，有：’auto’, ‘full’, ‘elkan’, 其中 ‘full’表示用EM方式實(shí)現(xiàn)

雖然有很多參數(shù)，但是都已經(jīng)給出了默認(rèn)值。所以我們一般不需要去傳入這些參數(shù),參數(shù)的。可以根據(jù)實(shí)際需要來調(diào)用。

下面展示一個(gè)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表示擬合+預(yù)測，也可以分開寫 
 
res=estimator.fit_predict(data) 
 
# 預(yù)測類別標(biāo)簽結(jié)果 
 
lable_pred=estimator.labels_ 
 
# 各個(gè)類別的聚類中心值 
 
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(zhí)行結(jié)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  

為了更直觀的描述，這次在圖上做一個(gè)展示，由于圖像上繪制二維比較直觀，所以數(shù)據(jù)調(diào)整到了二維，選取100個(gè)點(diǎn)繪制，聚類類別為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(cuò)的，對k-means的聚類效率進(jìn)行了一個(gè)測試，將維度擴(kuò)寬到50維

對于***的數(shù)據(jù)，擬合時(shí)間還是能夠接受的，可見效率還是不錯(cuò)，對模型的保存與其它的機(jī)器學(xué)習(xí)算法模型保存類似

from sklearn.externals import joblib  
joblib.dump(km,"model/km_model.m")