K均值算法

1. 机器学习的步骤

数据，模型选择，训练，测试，预测

2. 安装机器学习库sklearn

pip list 查看版本

python -m pip install --upgrade pip

pip install -U scikit-learn

pip uninstall sklearn

pip uninstall numpy

pip uninstall scipy

pip install scipy

pip install numpy

pip install sklearn

 https://scikit-learn.org/stable/install.html

2. 导入sklearn的数据集

from sklearn.datasets import load_iris

iris = load_iris()

iris.keys()

X = iris.data # 获得其特征向量

y = iris.target # 获得样本标签

iris.feature_names # 特征名称

3.K均值算法

K-means是一个反复迭代的过程，算法分为四个步骤：

  （x,k,y)

1） 选取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心；

  def initcenter(x, k): kc

2） 对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心（最相似）所对应的类；

  def nearest(kc, x[i]): j

  def xclassify(x, y, kc):y[i]=j

3） 更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；

  def kcmean(x, y, kc, k):

4） 判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回2）。

  while flag:

      y = xclassify(x, y, kc)

      kc, flag = kcmean(x, y, kc, k)

参考官方文档: 

http://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html#sklearn.cluster.KMeans

4. 作业：

1）. 扑克牌手动演练k均值聚类过程：>30张牌，3类

 本人抽取了如上30张牌，一开始以3,4,5作为聚类中心，最终结果如上图所示，最终中心为2，6，j（12）。

2）. *自主编写K-means算法 ，以鸢尾花花瓣长度数据做聚类，并用散点图显示。（加分题）

import numpy as np
from sklearn.datasets import load_iris
import random
import matplotlib.pylab as plt

#（1）定义计算欧几里得距离函数。
def jl(data1,data2):
    return np.sqrt(sum((data1-data2)**2))
#（2）构建k个随机质心。

def sjcenter(k,data):
    sjksz=[]
    newdata=[]
    for i in range(k):
        sjk = random.randint(0, len(data)-1)
        if sjk not in sjksz:
            sjksz.append(sjk)
            newdata.append(data[sjk,:])
        else:
            i=i-1;
    return newdata

#（3）定义K-means函数实现算法。
def Kmeans(k,data,center):
    n = len(data)
    dist = np.zeros([n, k + 1])
    newCenter = np.zeros([k, data.shape[1]])

    while True:
        for i in range(n):
            for j in range(k):
                dist[i, j] = jl(data[i],center[j])
            dist[i, k] = np.argmin(dist[i, :k])
        for i in range(k):
            index = dist[:, k] == i
            newCenter[i, :] = data[index, :].mean(axis=0)
        if (np.all(center == newCenter)):
            break
        else:
            center = newCenter
    return dist
#（4）主函数中调用上述4个函数实现K-means算法，并绘制数据散点图查看聚类中心。

def main(k,data):
    center = sjcenter(k, data)
    dist=Kmeans(k,data,center)

    plt.scatter(data[:, 0], data[:, 1], c=dist[:,k], s=50, cmap='rainbow')

    #类中心用黑点标出
    for i in range(k):
        plt.scatter(center[i][0],center[i][1],color='#000000')

    plt.show()

iris=load_iris()
main(3,iris.data[:,2:4])

3）. 用sklearn.cluster.KMeans，鸢尾花花瓣长度数据做聚类，并用散点图显示.

#（1）直接调用sklearn库实现对鸢尾花数据进行聚类分析。
from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
import matplotlib.pylab as plt
iris=load_iris()
data=iris.data[:,2:4]
model=KMeans(n_clusters=3).fit(data)
model.labels_
model.cluster_centers_
plt.scatter(data[:,0],data[:,1],c=model.labels_,s=50,cmap='rainbow')
for i in range(3):
    plt.scatter(model.cluster_centers_[i][0], model.cluster_centers_[i][1], color='#000000')
plt.show()

 2,3题都用了鸢尾花的花瓣数据做了聚类，效果图也如上二图所示，黑点为聚类中心，可以看出较好的吻合。

4）. 鸢尾花完整数据做聚类并用散点图显示.

from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
import matplotlib.pylab as plt

iris=load_iris()
data=iris.data
target=iris.target
model=KMeans(n_clusters=3).fit_predict(data)
model

target_test=model
for i in range(150):
    if target_test[i]==1:
        target_test[i]=0
    elif target_test[i]==0:
        target_test[i]=1
plt.plot(range(150), target_test)
plt.plot(range(150), target)
plt.legend(['forecast','real'])
plt.show()

利用鸢尾花的完整数据进行聚类分析，与实际的分类做出比较后如上图所示，第一第二聚类比较好，第三个聚类较不准确。

5）.想想k均值算法中以用来做什么？

1、给机器识别物种
2、预测人习惯爱好