K 均值演算法-如何讓資料自動分組

碼農充電站發表於2020-12-04
演算法

公號：碼農充電站pro
主頁：https://codeshellme.github.io

之前介紹到的一些機器學習演算法都是監督學習演算法。所謂監督學習，就是既有特徵資料，又有目標資料。

而本篇文章要介紹的K 均值演算法是一種無監督學習。

與分類演算法相比，無監督學習演算法又叫聚類演算法，就是隻有特徵資料，沒有目標資料，讓演算法自動從資料中“學習知識”，將不同類別的資料聚集到相應的類別中。

1，K 均值演算法

K 均值的英文為K-Means，其含義是：

  • K：表示該演算法可以將資料劃分到K 個不同的組中。
  • 均值：表示每個組的中心點是組內所有值的平均值。

K 均值演算法可以將一個沒有被分類的資料集，劃分到K 個類中。某個資料應該被劃分到哪個類，是通過該資料與群組中心點的相似度決定的，也就是該資料與哪個類的中心點最相似，則該資料就應該被劃分到哪個類中。

關於如何計算事物之間的相似度，可以參考文章《計算機如何理解事物的相關性》。

使用K 均值演算法的一般步驟是：

  1. 確定K 值是多少：
    • 對於K 值的選擇，可以通過分析資料，估算資料應該分為幾個類。
    • 如果無法估計確切值，可以多試幾個K 值，最終將劃分效果最好的K 值作為最終選擇。
  2. 選擇K 箇中心點：一般最開始的K 箇中心點是隨機選擇的。
  3. 將資料集中的所有資料，通過與中心點的相似度劃分到不同的類別中。
  4. 根據類別中的資料平均值，重新計算每個類別中心點的位置。
  5. 迴圈迭代第3，4步，直到中心點的位置幾乎不再改變，分類過程就算完畢。

在這裡插入圖片描述

2，K 均值演算法的實現

K 均值演算法是一個聚類演算法，sklearn 庫中的 cluster 模組實現了一系列的聚類演算法，其中就包括K 均值演算法。

來看下KMeans 類的原型：

KMeans(
	n_clusters=8, 
	init='k-means++', 
	n_init=10, 
	max_iter=300, 
	tol=0.0001, 
	precompute_distances='deprecated', 
	verbose=0, 
	random_state=None, 
	copy_x=True, 
	n_jobs='deprecated', 
	algorithm='auto')

可以看KMeans 類有很多引數，這裡介紹幾個比較重要的引數：

  • n_clusters: 即 K 值，可以隨機設定一些 K 值，選擇聚類效果最好的作為最終的 K 值。
  • init：選擇初始中心點的方式：
    • init='k-means++'：可加快收斂速度，是預設方式，也是比較好的方式。
    • init='random '：隨機選擇中心點。
    • 也可以自定義方式，這裡不多介紹。
  • n_init：初始化中心點的運算次數，預設是 10。如果 K 值比較大，可以適當增大 n_init 的值。
  • algorithm：k-means 的實現演算法，有auto，full，elkan三種。
    • 預設是auto，根據資料的特點自動選擇用full或者elkan。
  • max_iter：演算法的最大迭代次數，預設是300。
    • 如果聚類很難收斂，設定最大迭代次數可以讓演算法儘快結束。

下面對一些二維座標中的點進行聚類，看下如何使用K 均值演算法。

3，準備資料點

下面是隨機生成的三類座標點，每類有20 個點，不同類的點的座標在不同的範圍內：

  • A 類點：Ax 表示A 類點的橫座標，Ay 表示A 類點的縱座標。橫縱座標範圍都是 (0, 20]。
  • B 類點：Bx 表示B 類點的橫座標，By 表示B 類點的縱座標。橫縱座標範圍都是 (40, 60]。
  • C 類點：Cx 表示C 類點的橫座標，Cy 表示C 類點的縱座標。橫縱座標範圍都是 (70, 90]。
Ax = [20, 6, 14, 13, 8, 19, 20, 14, 2, 11, 2, 15, 19, 4, 4, 11, 13, 4, 15, 11]
Ay = [14, 19, 17, 16, 3, 7, 9, 18, 20, 3, 4, 12, 9, 17, 14, 1, 18, 17, 3, 5]

Bx = [53, 50, 46, 52, 57, 42, 47, 55, 56, 57, 56, 50, 46, 46, 44, 44, 58, 54, 47, 57]
By = [60, 57, 57, 53, 54, 45, 54, 57, 49, 53, 42, 59, 54, 53, 50, 50, 58, 58, 58, 51]

Cx = [77, 75, 71, 87, 74, 70, 74, 85, 71, 75, 72, 82, 81, 70, 72, 71, 88, 71, 72, 80]
Cy = [85, 77, 82, 87, 71, 71, 77, 88, 81, 73, 80, 72, 90, 77, 89, 88, 83, 77, 90, 72]

我們可以用 Matplotlib 將這些點畫在二維座標中，程式碼如下：

import matplotlib.pyplot as plt

plt.scatter(Ax + Bx + Cx, Ay + By + Cy, marker='o')
plt.show()

畫出來的圖如下，可看到這三類點的分佈範圍還是一目瞭然的。

在這裡插入圖片描述

關於如何使用 Matplotlib 繪圖，可以參考文章《如何使用Python 進行資料視覺化》。

4，對資料聚類

下面使用K 均值演算法對資料點進行聚類。

建立K 均值模型物件：

from sklearn.cluster import KMeans

# 設定 K 值為 3，其它引數使用預設值
kmeans = KMeans(n_clusters=3)

準備資料，共三大類，60 個座標點：

train_data = [
    # 前20 個為 A 類點
    [20, 14], [6, 19], [14, 17], [13, 16], [8, 3], [19, 7], [20, 9], 
    [14, 18], [2, 20], [11, 3], [2, 4], [15, 12], [19, 9], [4, 17], 
    [4, 14], [11, 1], [13, 18], [4, 17], [15, 3], [11, 5],

    # 中間20 個為B 類點
    [53, 60], [50, 57], [46, 57], [52, 53], [57, 54], [42, 45], [47, 54], 
    [55, 57], [56, 49], [57, 53], [56, 42], [50, 59], [46, 54], [46, 53], 
    [44, 50], [44, 50], [58, 58], [54, 58], [47, 58], [57, 51],

    # 最後20 個為C 類點
    [77, 85], [75, 77], [71, 82], [87, 87], [74, 71], [70, 71], [74, 77], 
    [85, 88], [71, 81], [75, 73], [72, 80], [82, 72], [81, 90], [70, 77], 
    [72, 89], [71, 88], [88, 83], [71, 77], [72, 90], [80, 72],
]

擬合模型：

kmeans.fit(train_data)

對資料進行聚類：

predict_data = kmeans.predict(train_data)

檢視聚類結果，其中的0，1，2 分別代表不同的類別：

>>> print(predict_data)
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]

通過觀察最終的聚類結果predict_data，可以看到，前，中，後20 個資料分別被分到了不同的類中，也非常符合我們的預期，說明K 均值演算法的聚類結果還是很不錯的 。

因為本例中的二維座標點的分佈界限非常明顯，所以最終的聚類結果非常不錯。

5，總結

本篇文章主要介紹了K 均值演算法的原理，及sklearn 庫對它的實現，並且演示瞭如何使用K 均值演算法對二維資料點進行聚類。

（本節完。）

推薦閱讀：

如何使用Python 進行資料視覺化

計算機如何理解事物的相關性-文件的相似度判斷

決策樹演算法-實戰篇-鳶尾花及波士頓房價預測

樸素貝葉斯分類-實戰篇-如何進行文字分類

歡迎關注作者公眾號，獲取更多技術乾貨。

碼農充電站pro

相關文章