【Python】一文详细向您介绍 scipy.cluster.vq.kmeans() 的原理、常见用法和使用场景举例等

【Python】一文详细向您介绍 scipy.cluster.vq.kmeans() 的原理、常见用法和使用场景举例等

下滑即可查看博客内容

🌈 欢迎莅临 我的个人主页 👈这里是我静心耕耘 深度学习领域、真诚分享 知识与智慧的小天地!🎇

🎓 博主简介985高校的普通本硕,曾有幸发表过人工智能领域的 中科院顶刊一作论文,熟练掌握PyTorch框架

🔧 技术专长 : 在CVNLP多模态 等领域有丰富的项目实战经验。已累计提供近千次 定制化产品服务,助力用户少走弯路、提高效率,近一年好评率100%

📝 博客风采 : 积极分享关于深度学习、PyTorch、Python相关的实用内容。已发表原创文章600余篇,代码分享次数逾九万次

💡 服务项目 :包括但不限于科研辅导知识付费咨询以及为用户需求提供定制化解决方案

🌵文章目录🌵

  • [🤔 一、引言:初识 k-means 算法](#🤔 一、引言:初识 k-means 算法)
  • [🧪 二、k-means 算法原理](#🧪 二、k-means 算法原理)
  • [💻 三、`scipy.cluster.vq.kmeans()` 函数详解](#💻 三、scipy.cluster.vq.kmeans() 函数详解)
  • [🌈 四、常见用法示例](#🌈 四、常见用法示例)
  • [🚀 五、使用场景举例](#🚀 五、使用场景举例)
  • [🤔 六、注意事项与进阶](#🤔 六、注意事项与进阶)
  • [🚀 七、总结与展望](#🚀 七、总结与展望)

下滑即可查看博客内容

🤔 一、引言:初识 k-means 算法

在数据科学的广阔天地中,聚类分析无疑是一颗璀璨的明珠。它能够在没有标签信息的情况下,将数据集中的样本划分为多个群组(即"簇"),使得同一簇内的样本相似度较高,而不同簇间的样本相似度较低。在众多聚类算法中,k-means 算法以其简洁高效的特点,成为了最为广泛应用的算法之一。今天,我们就来深入探讨 Python 中 scipy.cluster.vq.kmeans() 函数的原理、用法及其实战应用。

🧪 二、k-means 算法原理

k-means 算法的核心思想非常简单:给定一个包含 M 个样本的数据集,以及要划分的簇的数量 k,算法通过迭代的方式,找到 k 个簇的中心点(即"质心"),使得每个样本到其所属簇的质心的距离之和最小。具体步骤如下:

  1. 初始化:随机选择 k 个样本作为初始的质心。
  2. 分配簇:对于数据集中的每一个样本,计算其到 k 个质心的距离,并将其分配到距离最近的质心所在的簇中。
  3. 更新质心:对于每个簇,重新计算其质心(即簇内所有样本的均值)。
  4. 迭代:重复步骤 2 和 3,直到质心的位置不再发生变化或达到预设的迭代次数。

💻 三、scipy.cluster.vq.kmeans() 函数详解

在 Python 的 scipy 库中,scipy.cluster.vq.kmeans() 函数实现了 k-means 算法。该函数的基本参数如下:

  • obs:二维数组,每行是一个观测向量,列是特征。注意,特征通常需要先进行白化处理(即归一化)。
  • k_or_guess:整数或数组,指定簇的数量 k 或初始质心的猜测。
  • iter:整数,最大迭代次数,默认为 20。
  • thresh:浮点数,收敛阈值,默认为 1e-5。如果新旧质心之间的最大距离小于此值,则算法停止。

🌈 四、常见用法示例

下面是一个使用 scipy.cluster.vq.kmeans() 的简单示例,我们将对著名的鸢尾花(Iris)数据集进行聚类分析。

python 复制代码
# 导入必要的库  
import matplotlib.pyplot as plt  # 导入matplotlib的pyplot模块,用于绘图  
from scipy.cluster.vq import kmeans, whiten, vq  # 从scipy.cluster.vq导入kmeans, whiten, vq函数  
from sklearn.datasets import load_iris  # 从sklearn.datasets导入load_iris函数,用于加载鸢尾花数据集  
from sklearn.decomposition import PCA  # 从sklearn.decomposition导入PCA类,用于主成分分析  
  
# 加载数据  
iris = load_iris()  # 调用load_iris函数加载鸢尾花数据集,结果存储在iris变量中  
X = iris.data  # 从iris对象中提取特征数据,存储在X变量中  
  
# 数据白化  
X_whitened = whiten(X)  # 对特征数据X进行白化处理,去除数据的尺度和相关性,结果存储在X_whitened中  
  
# PCA降维  
pca = PCA(n_components=2)  # 创建一个PCA实例,设置主成分数量为2  
X_pca = pca.fit_transform(X_whitened)  # 使用PCA实例对白化后的数据进行降维处理,结果存储在X_pca中  
  
# 执行 k-means 聚类,假设我们知道有 3 个簇  
k = 3  # 设置聚类簇的数量为3  
centroid, distortion = kmeans(X_pca, k)  # 对降维后的数据进行k-means聚类,返回质心和畸变值  
  
# 输出质心  
print("质心:")  # 打印提示信息  
print(centroid)  # 打印聚类得到的质心  
  
# 分配簇标签  
labels = vq(X_pca, centroid)[0]  # 使用vq函数将降维后的数据点分配到最近的质心,返回簇标签  
  
# 可视化结果(这里仅展示二维投影,便于理解)  
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=labels, cmap='viridis', marker='o')  # 绘制数据点,颜色根据簇标签分配  
plt.scatter(centroid[:, 0], centroid[:, 1], c='red', s=200, alpha=0.75, marker='x')  # 绘制质心,以红色'x'标记  
plt.title('Iris Dataset K-Means Clustering')  # 设置图表标题  
plt.xlabel('PCA Feature 1')  # 设置x轴标签  
plt.ylabel('PCA Feature 2')  # 设置y轴标签  
plt.show()  # 显示图表

🚀 五、使用场景举例

k-means 算法的应用场景非常广泛,包括但不限于:

  1. 市场细分:根据客户的购买行为、年龄、收入等特征,将客户划分为不同的细分市场,以便制定针对性的营销策略。
  2. 图像分割:在图像处理中,可以将图像中的像素点聚类成不同的区域,实现图像的自动分割。
  3. 文本聚类:对文档集合进行聚类,发现文档之间的相似性,实现文档的自动分类和主题提取。

🤔 六、注意事项与进阶

尽管 k-means 算法在许多场景下表现出色,但使用时仍需注意以下几个问题:

  1. 初始质心的选择:k-means 算法对初始质心的选择非常敏感,不同的初始质心可能导致不同的聚类结果。为了缓解这个问题,可以采用多次运行算法并选择最佳结果的方法,或者使用更复杂的初始化策略,如 k-means++。

  2. 簇的数量 k 的选择:在实际应用中,簇的数量 k 通常是未知的,需要预先指定。选择合适的 k 值对于聚类效果至关重要。一种常用的方法是尝试不同的 k 值,并评估聚类结果的质量(如使用轮廓系数等指标),然后选择最优的 k 值。

  3. 异常值和噪声:数据集中的异常值和噪声可能会对 k-means 算法产生不利影响,导致质心的位置偏离实际簇的中心。在实际应用中,可能需要先对数据进行清洗和预处理,以减少异常值和噪声的影响。

  4. 算法收敛性:虽然 k-means 算法通常能够收敛到局部最优解,但并不能保证收敛到全局最优解。此外,算法的收敛速度也可能受到数据规模、特征维度和初始质心选择等因素的影响。

为了进一步提高 k-means 算法的性能和效果,可以考虑以下进阶策略:

  • 使用加速算法:如 MiniBatchKMeans,该算法通过从数据集中随机选择一部分样本来更新质心,从而加速算法的收敛过程。
  • 结合其他算法:将 k-means 与其他算法(如层次聚类、DBSCAN 等)结合使用,可以弥补各自的不足,提高聚类效果。
  • 特征选择和降维:在聚类之前,通过特征选择和降维技术减少数据的维度和冗余信息,可以提高聚类算法的效率和效果。

🚀 七、总结与展望

通过对 scipy.cluster.vq.kmeans() 函数的详细探讨,我们深入了解了 k-means 算法的原理、用法及其在 Python 中的实现。k-means 算法以其简洁高效的特点,在数据科学领域得到了广泛应用。然而,我们也需要认识到其局限性,如初始质心选择的敏感性、簇数量 k 的选择难题以及异常值和噪声的影响等。

展望未来,随着数据量的不断增长和聚类需求的日益复杂化,k-means 算法将面临更多的挑战和机遇。为了应对这些挑战,我们需要不断探索新的算法和技术,如结合深度学习、强化学习等先进方法,以提高聚类算法的准确性、鲁棒性和可扩展性。同时,我们也需要关注数据预处理和特征工程等基础工作,为聚类算法提供更高质量的数据支持。相信在不久的将来,聚类分析将会在数据科学领域发挥更加重要的作用。

相关推荐
databook13 小时前
Manim实现闪光轨迹特效
后端·python·动效
Juchecar14 小时前
解惑:NumPy 中 ndarray.ndim 到底是什么?
python
用户83562907805115 小时前
Python 删除 Excel 工作表中的空白行列
后端·python
Json_15 小时前
使用python-fastApi框架开发一个学校宿舍管理系统-前后端分离项目
后端·python·fastapi
数据智能老司机21 小时前
精通 Python 设计模式——分布式系统模式
python·设计模式·架构
数据智能老司机1 天前
精通 Python 设计模式——并发与异步模式
python·设计模式·编程语言
数据智能老司机1 天前
精通 Python 设计模式——测试模式
python·设计模式·架构
数据智能老司机1 天前
精通 Python 设计模式——性能模式
python·设计模式·架构
c8i1 天前
drf初步梳理
python·django
每日AI新事件1 天前
python的异步函数
python