K-均值算法基础
K-均值聚类算法属于一种无监督学习的方法,通过迭代的方式将数据划分为K个不重叠的子集(簇),每个子集由其内部数据点的平均值来表示。计算方法大体如下:
1.初始化簇中心
选择K个数据点作为初始的簇中心,簇中心可以随机选择的,也可以基于某种启发式方法选择,初始簇中心的选择对算法的最终结果有很大影响,不同的初始选择可能会导致完全不同的聚类结果
2.计算欧几里得距离
对于数据集中的每个点,计算它到各个簇中心的距离,通常使用欧几里得距离来计算。欧几里得距离衡量了数据点在多维空间中的实际距离,在K-均值算法中,数据点被分配给距离其最近的簇中心所在的簇。
3.分配数据点
根据计算出的距离,将数据点分配给最近的簇。对于每个数据点,找到距离它最近的簇中心,并将其分配给该簇。
4.更新簇中心
重新计算每个簇中所有数据点的平均值,并将该平均值设置为新的簇中心。对于每个簇,新的簇中心计算如下:
5.终止迭代
重复步骤2、3和4,直到簇中心不再发生显著变化,或者达到预定的迭代次数。迭代终止条件可以表示为:
R语言数据集iris
iris
数据集是 R 语言的内置数据集,其中包含了 3 种不同类型的鸢尾花(Iris flower)的观测数据,每种鸢尾花有 50 个样本,总共有 150 个样本。每个样本都包含了 4 个关于花萼(sepal)和花瓣(petal)的测量数据,以及鸢尾花的种类信息。
iris
数据集中的每个样本都包含以下 4 个数值型特征:
Sepal.Length
(花萼长度,单位是厘米)Sepal.Width
(花萼宽度,单位是厘米)Petal.Length
(花瓣长度,单位是厘米)Petal.Width
(花瓣宽度,单位是厘米)
此外还有一个分类变量 Species
,表示鸢尾花的种类,包含三个水平:setosa
、versicolor
和 virginica
,分别对应山鸢尾、杂色鸢尾和维吉尼亚鸢尾。
在RStudio里可以输入 iris
来查看这个数据集的内容。
iris数据集内容:
Julia语言实现
先进入Julia REPL导入需要的Julia包:
] # 进入包管理模式
add RDatasets # R语言的数据集
add DataFrames # 数据处理包
add Clustering # 提供 K-均值 功能包
add Gadfly #绘图包
Julia语言实现K-均值代码:
R
using RDatasets
using DataFrames
using Clustering
using Gadfly
# 使用的R语言的iris 数据集
iris = dataset("datasets", "iris")
# 提取数据集的前四列作为特征矩阵,使用Matrix()函数把DataFrame的子集进行矩阵转换
features = Matrix(iris[:, 1:4])
# 执行 K-means 聚类, 分成 3 个簇
k = 3
results = kmeans(features, k)
# 提取聚类分配结果
assignments = results.assignments
plot = Gadfly.plot(iris, x=:SepalLength, y=:SepalWidth, color=assignments, Geom.point)
display(plot)
代码运行后生成HTML图像
教材中旧版本代码
# GGboy版本再次之上增加了数据集转换
using RDatasets
using Clustering
using Gadfly
mydata1 = dataset("datasets", "iris")
myf = convert(Array, mydata1[:,1:4])
myl = convert(Array, mydata1[:,5])
x = initseeds(:rand, convert(Matrix, myf'), 3)
myres = kmeans(myf, 3)
Gadfly.plot(mydata1, x = :PetalLength, y = PetalWidth, color = myres.assignments,
Geom.point)
R语言实现
先导入 ggplot2包用于绘图
R
install.packages("ggplot2")
R语言实现K-均值代码:
R
library(ggplot2)
data(iris)
# 提取前四列特征矩阵
features <- iris[, 1:4]
k <- 3 # 执行 K-means 聚类, 分成 3 个簇
set.seed(123) # 设置随机种子以获得可重复的结果
results <- kmeans(features, centers = k)
iris$cluster <- as.factor(results$cluster)
ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = cluster)) +
geom_point(size = 3, alpha = 0.8) +
theme_minimal() +
labs(title = "K-means Clustering",
x = "Sepal Length",
y = "Sepal Width",
color = "Cluster")
生成图像:
Markdown版本计算公式及说明
R
# K-均值算法公式
## 1. 初始化簇中心
选择K个数据点作为初始的簇中心(质心)。这些点可以是随机选择的,也可以是基于某种启发式方法选择的。
初始簇中心的选择对算法的最终结果有很大影响。不同的初始选择可能会导致完全不同的聚类结果。因此,在实际应用中,通常会多次运行算法并使用不同的初始簇中心,然后选择其中最好的结果。
## 2. 计算欧几里得距离
对于数据集中的每个点\(x_i\),计算它到各个簇中心\(\mu_j\)的距离\(d_{ij}\)。通常使用欧几里得距离来计算。
\[d_{ij} = \sqrt{(x_i - \mu_j)^T(x_i - \mu_j)}\]
欧几里得距离是最常用的距离度量方法之一,它衡量了数据点在多维空间中的实际距离。在K-均值算法中,数据点被分配给距离其最近的簇中心所在的簇。
## 3. 分配数据点
根据计算出的距离,将数据点分配给最近的簇。对于每个数据点\(x_i\),找到距离它最近的簇中心\(\mu_{j^*}\),并将其分配给该簇。
\[j^* = \arg\min_{j=1,2,...,K} d_{ij}\]
这一步是根据距离度量将数据点划分到不同的簇中。每个数据点都被分配给距离其最近的簇中心所在的簇。这样,数据集就被划分成了K个不重叠的子集。
## 4. 更新簇中心
重新计算每个簇中所有数据点的平均值,并将该平均值设置为新的簇中心。对于每个簇\(C_j\),新的簇中心\(\mu_j'\)计算如下:
\[\mu_j' = \frac{1}{|C_j|} \sum_{x_i \in C_j} x_i\]
这一步是更新簇中心的过程。通过计算每个簇中所有数据点的平均值来得到新的簇中心。这些新的簇中心将用于下一轮的迭代计算中。
## 5. 终止迭代
重复步骤2、3和4,直到簇中心不再发生显著变化,或者达到预定的迭代次数。迭代终止条件可以表示为:
\[\|\mu_j' - \mu_j\| < \epsilon\]
其中,\(\epsilon\)是一个很小的正数,表示簇中心变化的阈值。当簇中心的变化小于该阈值时,算法停止迭代。