K 均值算法-如何让数据自动分组

公号：码农充电站pro

主页：https://codeshellme.github.io

之前介绍到的一些机器学习算法都是监督学习算法。所谓监督学习，就是既有特征数据，又有目标数据。

而本篇文章要介绍的K 均值算法是一种无监督学习。

与分类算法相比，无监督学习算法又叫聚类算法，就是只有特征数据，没有目标数据，让算法自动从数据中“学习知识”，将不同类别的数据聚集到相应的类别中。

1，K 均值算法

K 均值的英文为K-Means，其含义是：

• K：表示该算法可以将数据划分到K 个不同的组中。
• 均值：表示每个组的中心点是组内所有值的平均值。

K 均值算法可以将一个没有被分类的数据集，划分到K 个类中。某个数据应该被划分到哪个类，是通过该数据与群组中心点的相似度决定的，也就是该数据与哪个类的中心点最相似，则该数据就应该被划分到哪个类中。

关于如何计算事物之间的相似度，可以参考文章《计算机如何理解事物的相关性》。

使用K 均值算法的一般步骤是：

1. 确定K 值是多少：
   • 对于K 值的选择，可以通过分析数据，估算数据应该分为几个类。
   • 如果无法估计确切值，可以多试几个K 值，最终将划分效果最好的K 值作为最终选择。
2. 选择K 个中心点：一般最开始的K 个中心点是随机选择的。
3. 将数据集中的所有数据，通过与中心点的相似度划分到不同的类别中。
4. 根据类别中的数据平均值，重新计算每个类别中心点的位置。
5. 循环迭代第3，4步，直到中心点的位置几乎不再改变，分类过程就算完毕。

2，K 均值算法聚类过程

下面以一个二维数据点的聚类过程，来看下K 均值算法如何聚类。

首先，这里有一些离散的数据点，如下图：

我们使用K 均值算法对这些数据点进行聚类。随机选择两个点作为两个类的中心点，分别是红色x 和蓝色x：

计算所有数据点到这两个中心点的距离，距离红色x 近的点标红色，距离蓝色x 近的点标蓝色：

重新计算两个中心点的位置，两个中心点分别移动到新的位置：

重新计算所有数据点分别到红色x 和蓝色x的距离，距离红色x 近的点标红色，距离蓝色x 近的点标蓝色：

再次计算两个中心点的位置，两个中心点分别移动到新的位置：

直到中心点的位置几乎不再变化，聚类结束。

以上过程就是K 均值算法的聚类过程。

3，K 均值算法的实现

K 均值算法是一个聚类算法，sklearn 库中的 cluster 模块实现了一系列的聚类算法，其中就包括K 均值算法。

来看下KMeans 类的原型：

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 类有很多参数，这里介绍几个比较重要的参数：

• n_clusters: 即 K 值，可以随机设置一些 K 值，选择聚类效果最好的作为最终的 K 值。
• init：选择初始中心点的方式：
  • init='k-means++’：可加快收敛速度，是默认方式，也是比较好的方式。
  • init='random ‘：随机选择中心点。
  • 也可以自定义方式，这里不多介绍。
• n_init：初始化中心点的运算次数，默认是 10。如果 K 值比较大，可以适当增大 n_init 的值。
• algorithm：k-means 的实现算法，有auto，full，elkan三种。
  • 默认是auto，根据数据的特点自动选择用full或者elkan。
• max_iter：算法的最大迭代次数，默认是300。
  • 如果聚类很难收敛，设置最大迭代次数可以让算法尽快结束。

下面对一些二维坐标中的点进行聚类，看下如何使用K 均值算法。

4，准备数据点

下面是随机生成的三类坐标点，每类有20 个点，不同类的点的坐标在不同的范围内：

• A 类点：Ax 表示A 类点的横坐标，Ay 表示A 类点的纵坐标。横纵坐标范围都是 (0, 20]。
• B 类点：Bx 表示B 类点的横坐标，By 表示B 类点的纵坐标。横纵坐标范围都是 (40, 60]。
• C 类点：Cx 表示C 类点的横坐标，Cy 表示C 类点的纵坐标。横纵坐标范围都是 (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]

我们可以用 Matplotlib 将这些点画在二维坐标中，代码如下：

import matplotlib.pyplot as plt

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

画出来的图如下，可看到这三类点的分布范围还是一目了然的。

关于如何使用 Matplotlib 绘图，可以参考文章《如何使用Python 进行数据可视化》。

5，对数据聚类

下面使用K 均值算法对数据点进行聚类。

创建K 均值模型对象：

from sklearn.cluster import KMeans

# 设置 K 值为 3，其它参数使用默认值
kmeans = KMeans(n_clusters=3)

准备数据，共三大类，60 个坐标点：

train_data = [
    # 前20 个为 A 类点
    [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],

    # 中间20 个为B 类点
    [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],

    # 最后20 个为C 类点
    [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],
]

拟合模型：

kmeans.fit(train_data)

对数据进行聚类：

predict_data = kmeans.predict(train_data)

查看聚类结果，其中的0，1，2 分别代表不同的类别：

>>> 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]

通过观察最终的聚类结果predict_data，可以看到，前，中，后20 个数据分别被分到了不同的类中，也非常符合我们的预期，说明K 均值算法的聚类结果还是很不错的 。

因为本例中的二维坐标点的分布界限非常明显，所以最终的聚类结果非常不错。

我们可以通过 n_iter_ 属性来查看迭代的次数：

>>> kmeans.n_iter_
2

通过 cluster_centers_ 属性查看每个类的中心点坐标：

>>> kmeans.cluster_centers_
array([[11.25, 11.3 ],
       [75.9 , 80.5 ],
       [50.85, 53.6 ]])

将这三个中心点画在坐标轴中，如下：

6，总结

本篇文章主要介绍了K 均值算法的原理，及sklearn 库对它的实现，并且演示了如何使用K 均值算法对二维数据点进行聚类。

（本节完。）

---

推荐阅读：

如何使用Python 进行数据可视化

计算机如何理解事物的相关性-文档的相似度判断

决策树算法-实战篇-鸢尾花及波士顿房价预测

朴素贝叶斯分类-实战篇-如何进行文本分类

---

欢迎关注作者公众号，获取更多技术干货。