k均值聚类，这次作业要求自动确定均值 = =
K均值聚类
K均值聚类（固定k）大致步骤：
- 随机选择k个点作为初始的簇中心
- 计算每个点到每个簇中心的距离，选择最小的作为该点属于的簇类
- 将每个簇的点取平均获得一个新的簇中心
- 重复2、3步骤直至簇中心不再变化
- 输出簇划分
伪代码表示（from书P203）：
因为要确定k值，所以怕是没法直接sklearn了
自己实现的Kmeans，为了优雅，分了几个函数，fit先初始化然后产生一开始的类簇
随后的循环迭代两行便是上面口述步骤的二三步：得到新分类，每个类计算新中心，收敛时结束。其中计算新分类调用了get_dist()计算距离矩阵，
class Kmeans:
data = np.array([])
n, k = 0, 0
def init_center(self):
center = [] # center of clusters
while len(center) < k: # 产生k个不重复的随机数
cen = random.randint(0, n - 1)
if cen not in center:
center.append(cen)
for i in range(len(center)): # 到data里面取点
center[i] = data[center[i]]
return center
def get_dist(self, center):
dist = np.zeros((n, k))
for j in range(n):
for i in range(k):
dist[j][i] = np.linalg.norm(center[i] - data[j])
return dist
def get_clusters(self, center):
dist = self.get_dist(center)
label = np.argmin(dist, 1)
clusters = []
for i in range(k): clusters.append([])
for i in range(n):
clusters[label[i]].append(data[i])
return label, clusters
def new_center(self, label, clusters):
center = []
for i in range(k):
center.append(np.average(clusters[i], 0))
return center
def over(self, c0, c1):
for i in range(k):
print(c0[i]- c1[i])
if np.linalg.norm(c0[i]-c1[i]) > eps: return False
return True
def fit(self, data, k):
self.data, self.k, self.n = data, k, len(data)
center0 = self.init_center()
while True:
label, clusters = self.get_clusters(center0)
center1 = self.new_center(label, clusters)
if self.over(center0, center1): break
center0 = center1
return labeldebug的时候用的样例数据
data = np.array([[-9.38526262, 2.74797643],
[-11.8458768, 2.06863466],
[-0.84464735, -3.6778601 ],
[-9.55019081, 2.91500874],
[-0.29088953, -4.58059872],
[-0.90988716, -2.43335193],
[-9.82206029, 2.66678343],
[-0.28556052, -3.97549066],
[-1.51725199, -2.53455834],
[-10.6981788, 3.64205984]])
label = np.array([0, 0, 1, 0, 1, 1, 0, 1, 1, 0])
关于数据
测试一下样例数据
if __name__ == '__main__':
n, k = 10, 2
data, label = get_data(n, k)
cls = Kmeans()
fit_label = cls.fit(data=data, k=k)
print(label)
print(fit_label)结果
[ 0.87505124 -0.06011619]
[ 0. 0.]
[ 0. 0.]
[0 0 1 0 1 1 0 1 1 0]
[0 0 1 0 1 1 0 1 1 0]
与原先设置的label一模一样，当然，迭代两轮就结束了
为了写代码和调试的方便，我在这里之前都使用了样例数据
def get_data(n, k):
# sample data, use in debug
'''
data = np.array([[-9.38526262, 2.74797643],
[-11.8458768, 2.06863466],
[-0.84464735, -3.6778601 ],
[-9.55019081, 2.91500874],
[-0.29088953, -4.58059872],
[-0.90988716, -2.43335193],
[-9.82206029, 2.66678343],
[-0.28556052, -3.97549066],
[-1.51725199, -2.53455834],
[-10.6981788, 3.64205984]])
label = np.array([0, 0, 1, 0, 1, 1, 0, 1, 1, 0])
'''
data, label = make_blobs(n_samples=n, n_features=2, centers=k)
return data, label加大数据
再大我有点担心机器性能了
试一下三维数据
很好，我大概成功造了一个车轮
自动确定k值
不会写，抄了彭先生的
这里参考了彭先生的方法，其实聚类的k值很大程度上看人的喜好（也就是分几类），我们，就穷举吧= =枚举我们需要的k，然后计算每次的类簇“半径”，取半径之和下降最快的k为我们要的k，在实际应用中，其实这就是个调参的过程
def no_k_fit(self, data):
central_dots, radius = [], np.zeros(self.__max_k, np.float32)
# 寻找最佳的k值，k值范围在1到max_k之间
for k in range(1, self.__max_k):
_, distance_group, data_type = self.__fit_k_means(data, k)
type_distance = np.min(distance_group, axis=0)
central_dots.append(_)
# 计算各个簇的半径（中心点到簇中最远的点的距离）之和
for idx in range(k):
type_data_idx = np.where(data_type == idx)
radius[k] += np.max(type_distance[type_data_idx])
# 加权求和，k用于抑制
radius[k] = np.sqrt(radius[k]) * k
# 交叉相减，得出半径之和下降最快的k值，并认定为最佳k值
best_k = np.argmax(radius[:self.__max_k-1] - radius[1:])
self.__dots = central_dots[best_k]