机器学习：K-means算法（内有精彩动图）

news2024/9/20 16:43:38

前言

一、K-means算法

1.K-means算法概念

2.具体步骤

3.精彩动图

4.算法效果评价

二、代码实现

1.完整代码

2.结果展示

3.步骤解析

1.数据预处理

2.建立并训练模型

3.打印图像

四、算法优缺点

1.优点

2.缺点

总结

前言

机器学习里除了分类算法，回归算法，还有聚类算法，这里讲的k均值算法便是其中一种

一、K-means算法

1.K-means算法概念

K均值（K-Means）算法是一种常见的聚类算法，用于将数据集分成预定数量的簇（k个簇）。算法的目标是将数据点划分到k个簇中，以最小化簇内数据点之间的平方距离的总和。

2.具体步骤

初始化簇中心：
随机选择k个数据点作为初始簇中心，或者通过某些启发式方法选择。
分配数据点：
将每个数据点分配到离它最近的簇中心所对应的簇中。
更新簇中心：
计算每个簇内所有数据点的均值，并将簇中心更新为这个均值。
重复：
重复步骤2和3，直到簇中心的变化非常小或达到最大迭代次数为止。
结束：
算法收敛，簇中心不再变化或变化非常小，最终得到的簇划分即为聚类结果。

3.精彩动图

4.算法效果评价

轮廓系数（Silhouette Score）是用于评估聚类效果的指标。它衡量了数据点在其簇内的一致性和与其他簇的分隔度。轮廓系数的值范围从 -1 到 1，值越高表示聚类效果越好。

二、代码实现

1.完整代码

代码完成的是对学生的分类

import pandas as pd

# data = pd.read_csv('data.txt', sep=' ')
# x = data.iloc[:, 1:5]

from sklearn.preprocessing import StandardScaler

data = pd.read_csv('datingTestSet2.txt', sep='\t', header=None)
x = data.iloc[:, 0:3]
std = StandardScaler()
x = std.fit_transform(x)
"""
根据分成不同的簇，自动计算轮廓系数得分
"""
from sklearn.cluster import KMeans
from sklearn import metrics

scores = []
for k in range(2, 10):   # 选取最佳的簇数
    labels = KMeans(n_clusters=k).fit(x).labels_  # 簇标签
    score = metrics.silhouette_score(x, labels)  # 轮廓系数
    scores.append(score)
print(scores)
best_k = scores.index(max(scores)) + 2
print(best_k)
labels = KMeans(n_clusters=best_k).fit(x).labels_
score = metrics.silhouette_score(x, labels)
print(labels, score)

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置字体
plt.rcParams['axes.unicode_minus'] = False  # 解决符号显示为方块的问题
# 绘制轮廓系数得分与簇数量的关系图
plt.figure(figsize=(8, 6))
plt.plot(range(2, 10), scores, marker='o')
plt.xlabel('簇数量 (k)')
plt.ylabel('轮廓系数')
plt.title('簇数量与轮廓系数')
plt.xticks(range(2, 10))
plt.grid(True)
plt.show()

# 打印最佳簇数量
best_k = scores.index(max(scores)) + 2
print(f"最佳簇数量: {best_k}")

2.结果展示

因为数据比较分散，所以轮廓系数比较低

3.步骤解析

1.数据预处理

导入pands库
导入数据，取出特征数据
对数据进行标准化

import pandas as pd

# data = pd.read_csv('data.txt', sep=' ')
# x = data.iloc[:, 1:5]

from sklearn.preprocessing import StandardScaler

data = pd.read_csv('datingTestSet2.txt', sep='\t', header=None)
x = data.iloc[:, 0:3]
std = StandardScaler()
x = std.fit_transform(x)

2.建立并训练模型

利用for循环找到模型内某个参数在某个范围内的最佳值

"""
根据分成不同的簇，自动计算轮廓系数得分
"""
from sklearn.cluster import KMeans
from sklearn import metrics

scores = []
for k in range(2, 10):   # 选取最佳的簇数
    labels = KMeans(n_clusters=k).fit(x).labels_  # 簇标签
    score = metrics.silhouette_score(x, labels)  # 轮廓系数
    scores.append(score)
print(scores)
best_k = scores.index(max(scores)) + 2
print(best_k)
labels = KMeans(n_clusters=best_k).fit(x).labels_
score = metrics.silhouette_score(x, labels)
print(labels, score)

3.打印图像

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置字体
plt.rcParams['axes.unicode_minus'] = False  # 解决符号显示为方块的问题
# 绘制轮廓系数得分与簇数量的关系图
plt.figure(figsize=(8, 6))
plt.plot(range(2, 10), scores, marker='o')
plt.xlabel('簇数量 (k)')
plt.ylabel('轮廓系数')
plt.title('簇数量与轮廓系数')
plt.xticks(range(2, 10))
plt.grid(True)
plt.show()