kmeans算法原理及代码实现

完整的实验代码在我的github上👉QYHcrossover/ML-numpy: 机器学习算法numpy实现 (github.com) 欢迎star⭐

kmeans算法原理

在上一篇文章中，我们介绍了Mean Shift聚类算法的原理和代码实现。不同于Mean Shift聚类的基于密度的方法，k均值聚类是一种基于距离的聚类算法。它将数据集划分为k个簇，每个簇包含最接近它们的数据点。与Mean Shift聚类不同，k均值聚类需要事先指定簇的数量k。

该算法的实现过程包括以下几个步骤：

  1. 随机选择k个点作为初始中心点。
  2. 对于每个数据点，计算它与k个中心点的距离，并将其归为距离最近的中心点所在的簇。
  3. 对于每个簇，重新计算它们的中心点。
  4. 重复步骤2和3，直到簇不再发生变化或达到预定的迭代次数。

公式

kmeans算法的代价函数为：

$J(c, \mu) = \sum_{i=1}{m}|x - \mu_{c{(i)}}|$

其中，$c{(i)}$表示第$i$个样本所属的簇，$\mu_{c{(i)}}$表示第$i$个样本所属簇的中心点。

代码实现

代码实现步骤为：

在数据集中随机选择k个点作为初始中心点。

ci = np.random.choice(len(dataset),k,replace=False)
centers = data[ci]

对于每个数据点，计算它与k个中心点的距离，并将其归为距离最近的中心点所在的簇。

distances = np.hstack([np.sum((data-center)**2,axis=1)[:,np.newaxis] for center in centers])
mink = np.argmin(distances,axis=1)

对于每个簇，重新计算它们的中心点。

newcenters = np.array([np.mean(data[mink==i],axis=0) for i in range(k)])

重复步骤2和3，直到簇不再发生变化或达到预定的迭代次数。

delta = np.sum(np.abs(newcenters - centers))
if delta < 1e-5 or it >10000:
	return centers,mink,it
centers = newcenters
it += 1

具体实现代码如下：

import numpy as np

def kmeans(data,k):
    ci = np.random.choice(len(dataset),k,replace=False)
    centers = data[ci]
    it = 0

    while True:
        #计算所有点到聚类中心的距离
        distances = np.hstack([np.sum((data-center)**2,axis=1)[:,np.newaxis] for center in centers])
        mink = np.argmin(distances,axis=1)

        #确定下一轮聚类中心
        newcenters = np.array([np.mean(data[mink==i],axis=0) for i in range(k)])

        #判断是否需要下次迭代
        delta = np.sum(np.abs(newcenters - centers))
        if delta < 1e-5 or it >10000:
            return centers,mink,it

        #下次迭代
        centers = newcenters
        it += 1

if __name__ == "__main__":
    #读取数据
    data = []
    with open("data.txt") as f:
        for line in f:
            x,y = line.strip().split()
            data.append((float(x),float(y)))
    data = np.array(dataset)

    #kmeans聚类
    centers,index,it = kmeans(data,2)
    print(centers)
    print(index)
    print(it)

总结

本文介绍了kmeans聚类算法的原理和代码实现。kmeans是一种基于距离的聚类算法，它将数据集划分为k个簇，每个簇包含最接近它们的数据点。与Mean Shift聚类不同，k均值聚类需要事先指定簇的数量k。在实现过程中，首先随机选择k个点作为初始中心点，然后计算每个数据点与k个中心点的距离，并将其归为距离最近的中心点所在的簇。之后重新计算每个簇的中心点，并重复上述步骤，直到簇不再发生变化或达到预定的迭代次数。本文还给出了算法的代价函数和具体代码实现。Kmeans算法是一种简单易用的聚类算法，在实际应用中具有广泛的应用前景。

完整的实验代码在我的github上👉QYHcrossover/ML-numpy: 机器学习算法numpy实现 (github.com) 欢迎star⭐