无监督学习

聚类

就是根据数据的”相似性”将数据分为多类的过程。评估两个不同样本之间的“相似性”，通常使用的方法就是计算两个样本之间的“距离”。使用不同的方法计算样本间的距离会关系到聚类结果的好坏。

1样本距离计算方法

欧式距离，曼哈顿距离，马氏距离，夹角余弦

2sklearn.cluster

sklearn.cluster模块提供的各聚类算法函数可以使用不同的数据形式进行输入：标准数据输入格式：[样本个数，特征个数]定义的矩阵

3K-means方法及应用

K-means算法以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。其处理过程如下：

1.随机选择k个点作为初始的聚类中心；

2.对于剩下的点，根据其与聚类中心的距离，将其归入最近的簇

3.对于每个簇。计算所有点的均值作为新的聚类中心

4.重复2、3直到聚类中心不再发生改变

下面我们来看一个示例代码：（代码和数据在我的github给出，详见https://github.com/coder23263/k-means）

import numpy as npfrom sklearn.cluster import KMeansdef loadData(filePath):    fr = open(filePath,'r+')    lines = fr.readlines()    retData = []    retCityName = []    for line in lines:        items = line.strip().split(",")        retCityName.append(items[0])        retData.append([float(items[i]) for i in range(1,len(items))])    return retData,retCityNameif __name__ == '__main__':    data,cityName = loadData('city.txt')    km = KMeans(n_clusters=4)    label = km.fit_predict(data)    expenses = np.sum(km.cluster_centers_,axis=1)    #print(expenses)    CityCluster = [[],[],[],[]]    for i in range(len(cityName)):        CityCluster[label[i]].append(cityName[i])    for i in range(len(CityCluster)):        print("Expenses:%.2f" % expenses[i])        print(CityCluster[i])

首先我给出一下调用kmeans方法所需参数

n_cluster 用于指定聚类中心的个数

init：初始聚类中心的初始化方法max_iter 最大迭代次数

一般调用时只给出n_clusters即可，init默认是k-means++，max_iter默认是300

data 加载的数据

lable：聚类后各数据所属的标签

axis 按行求和

fit_predict计算簇中心以及为簇分配序号

这段代码是对全国各个省份人均消费水平的聚类

首先，我们导入numpy和sklearn库

loadData函数是用来获取文件数据的，我就不多说了

下面的主函数就是k-means方法了

首先我们指定n_cluster即聚类中心数为4个

fit_predict计算簇中心以及为簇分配序号

expenses为对八项指标数据求和所得的人均消费水平

CityCluster = [[],[],[],[]]预备储备分类后的各个城市簇

依次打印分类后的城市数据

最后，感谢北理工老师提供的资源，这个示例是我在mooc上面看到的，北京理工大学的机器学习课程，主讲老师是礼欣和嵩天老师。我也是初学者，欢迎留言提问，一起进步。

转载地址：http://vykrn.baihongyu.com/

你可能感兴趣的文章