K-means在Python 中的實現
來源:Stardustsky
K-means演算法簡介
K-means是機器學習中一個比較常用的演算法,屬於無監督學習演算法,其常被用於數據的聚類,只需為它指定簇的數量即可自動將數據聚合到多類中,相同簇中的數據相似度較高,不同簇中數據相似度較低。
K-menas的優缺點:
優點:
原理簡單
速度快
對大數據集有比較好的伸縮性
缺點:
需要指定聚類 數量K
對異常值敏感
對初始值敏感
K-means的聚類過程
其聚類過程類似於梯度下降演算法,建立代價函數並通過迭代使得代價函數值越來越小
適當選擇c個類的初始中心;
在第k次迭代中,對任意一個樣本,求其到c個中心的距離,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;
對於所有的c個聚類中心,如果利用(2)(3)的迭代法更新後,值保持不變,則迭代結束,否則繼續迭代。
該演算法的最大優勢在於簡潔和快速。演算法的關鍵在於初始中心的選擇和距離公式。
K-means 實例展示
python中km的一些參數:
sklearn.cluster.KMeans(
n_clusters=8,
init= k-means++ ,
n_init=10,
max_iter=300,
tol=0.0001,
precompute_distances= auto ,
verbose=,
random_state=None,
copy_x=True,
n_jobs=1,
algorithm= auto
)
n_clusters: 簇的個數,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,為了彌補初始質心的影響,演算法默認會初始10個質心,實現演算法,然後返回最好的結果。
max_iter: 最大迭代次數(因為kmeans演算法的實現需要迭代)
tol: 容忍度,即kmeans運行準則收斂的條件
precompute_distances:是否需要提前計算距離,這個參數會在空間和時間之間做權衡,如果是True 會把整個距離矩陣都放到內存中,auto 會默認在數據樣本大於featurs*samples 的數量大於12e6 的時候False,False 時核心實現的方法是利用Cpython 來實現的
verbose: 冗長模式(不太懂是啥意思,反正一般不去改默認值)
random_state: 隨機生成簇中心的狀態條件。
copy_x: 對是否修改數據的一個標記,如果True,即複製了就不會修改數據。bool 在scikit-learn 很多介面中都會有這個參數的,就是是否對輸入數據繼續copy 操作,以便不修改用戶的輸入數據。這個要理解Python 的內存機制才會比較清楚。
n_jobs: 並行設置
algorithm: kmeans的實現演算法,有:』auto』, 『full』, 『elkan』, 其中 『full』表示用EM方式實現
雖然有很多參數,但是都已經給出了默認值。所以我們一般不需要去傳入這些參數,參數的。可以根據實際需要來調用。
下面展示一個代碼例子
fromsklearn.clusterimportKMeans
fromsklearn.externalsimportjoblib
fromsklearnimportcluster
importnumpyasnp
# 生成10*3的矩陣
printdata
# 聚類為4類
estimator=KMeans(n_clusters=4)
# fit_predict表示擬合+預測,也可以分開寫
res=estimator.fit_predict(data)
# 預測類別標籤結果
lable_pred=estimator.labels_
# 各個類別的聚類中心值
centroids=estimator.cluster_centers_
# 聚類中心均值向量的總和
inertia=estimator.inertia_
printlable_pred
printcentroids
printinertia
代碼執行結果
[212232]
為了更直觀的描述,這次在圖上做一個展示,由於圖像上繪製二維比較直觀,所以數據調整到了二維,選取100個點繪製,聚類類別為3類
fromsklearn.clusterimportKMeans
fromsklearn.externalsimportjoblib
fromsklearnimportcluster
importnumpyasnp
importmatplotlib.pyplotasplt
estimator=KMeans(n_clusters=3)
res=estimator.fit_predict(data)
lable_pred=estimator.labels_
centroids=estimator.cluster_centers_
inertia=estimator.inertia_
#print res
printlable_pred
printcentroids
printinertia
foriinrange(len(data)):
ifint(lable_pred[i])==:
plt.scatter(data[i][],data[i][1],color= red )
ifint(lable_pred[i])==1:
plt.scatter(data[i][],data[i][1],color= black )
ifint(lable_pred[i])==2:
plt.scatter(data[i][],data[i][1],color= blue )
plt.show()
可以看到聚類效果還是不錯的,對k-means的聚類效率進行了一個測試,將維度擴寬到50維
對於百萬級的數據,擬合時間還是能夠接受的,可見效率還是不錯,對模型的保存與其它的機器學習演算法模型保存類似
fromsklearn.externalsimportjoblib
joblib.dump(km,"model/km_model.m")
看完本文有收穫?請轉發分享給更多人
關注「大數據與機器學習文摘」,成為Top 1%
※Python成過去五年中增長最快的語言
※為什麼Python被更多人追捧
※你想要的Python軟體不支持Windows?來這裡找支持版!
※Python和全局變數
※Python為何在高收入國家野蠻生長?
TAG:Python |