免费Python机器学习课程九：K均值聚类

K聚类是什么意思?

K均值聚类是最流行和广泛使用的无监督学习模型。它也称为群集，因为它通过群集数据来工作。与监督学习模型不同，非监督模型不使用标记数据。

该算法的目的不是预测任何标签。而是更好地了解数据集并对其进行标记。

在k均值聚类中，我们将数据集聚类为不同的组。

这是k均值聚类算法的工作原理

(1) 第一步是随机初始化一些点。这些点称为簇质心。

在上图中，红色和蓝色点是群集质心。

您可以选择任意数量的群集质心。但是簇质心的数量必须少于数据点的总数。

(2) 第二步是群集分配步骤。在此步骤中，我们需要遍历每个绿点。根据点是否更靠近红色或蓝色点，我们需要将其分配给其中一个点。

换句话说，根据绿色点是红色还是蓝色来着色，具体取决于它是靠近蓝色簇质心还是红色簇质心。

(3) 下一步是移动群集质心。现在，我们必须对分配给红色聚类质心的所有红点取平均值，然后将红色聚类质心移至该平均值。我们需要对蓝色簇质心执行相同的操作。

现在，我们有了新的簇质心。我们必须回到编号2(集群分配步骤)。我们需要将点重新排列到新的群集质心。在那之后重复第三。

数字2和3需要重复几次，直到两个聚类质心都位于合适的位置，如下图所示。

看，我们只是按照分配给它们的簇质心对所有绿色点进行了着色。蓝色簇质心位于蓝色簇的中心，红色簇质心位于红色簇的中心。

当我们开发该算法时，将会稍微清楚一点。我们将对此进行更详细的讨论。

开发算法

我将用于此算法的数据集是从安德鲁·伍(Andrew Ng)在Coursera的机器学习课程中获得的。这是开发k均值算法的分步指南：

(1) 导入必要的包和数据集

1. import pandas as pd 
2. import numpy as np 
3. df1 = pd.read_excel('dataset.xlsx', sheet_name='ex7data2_X', header=None) 
4. df1.head() 

数据集只有两列。我采用了两个特色数据集，因为它很容易可视化。当您看到视觉效果时，该算法将对您更容易理解。但是，相同的算法也将适用于多维数据集。

我将DataFrame df1转换为Numpy数组，因为我们将在此过程中处理其他数组：

1. X = np.array(df1) 

现在，我将按照上面讨论的三个步骤进行操作。

(2) 第一步是随机初始化质心。

我将从数据集中随机初始化三个点。首先，我将在0和数据集长度之间选择三个数字。

1. import randomrandominit_centroids = random.sample(range(0, len(df1)), 3) 
2. init_centroids 

输出：

1. [95, 30, 17] 

使用这三个数字作为索引，并获取这些索引的数据点。

1. centroids = [] 
2. for i in init_centroids: 
3.     centroids.append(df1.loc[i]) 
4. centroids 

输出：

1. [0 3.907793 
2. 1 5.094647 
3. Name: 95, dtype: float64, 
4. 0 2.660466 
5. 1 5.196238 
6. Name: 30, dtype: float64, 
7. 0 3.007089 
8. 1 4.678978 
9. Name: 17, dtype: float64] 

这三点是我们最初的质心。

我将它们转换为二维数组。因为这是我比较熟悉的格式。

1. centroids = np.array(centroids) 

输出：

1. array([[3.90779317, 5.09464676], 
2. [2.66046572, 5.19623848], 
3. [3.00708934, 4.67897758]]) 

(3) 实施群集分配步骤。

在这一步中，我们将遍历数据集中的所有数据点。

一个数据点表示一行数据

让我们看一行数据，了解如何将这些数据分配给集群。

我们将计算所有三个质心的数据距离。然后将该数据点分配给距离最短的质心。

如我们所见，我们必须计算两个点之间的许多距离。让我们开发一个计算距离的函数。

1. def calc_distance(X1, X2): 
2.     return(sum((X1 - X2)**2))**0.5 

开发一个函数，将每个数据点分配给一个质心。我们的"质心"数组只有三个值。因此，我们有三个索引：0、1、2。我们将为每个数据点分配这些索引之一。

1. def findClosestCentroids(ic, X): 
2.     assigned_centroid = [] 
3.     for i in X: 
4.         distance=[] 
5.         for j in ic: 
6.             distance.append(calc_distance(i, j)) 
7.         assigned_centroid.append(np.argmin(distance)) 
8.     return assigned_centroid 

此功能是将数据点分配给群集的功能。让我们使用此函数来计算每个数据点的质心：

1. get_centroids = findClosestCentroids(centroids, X) 
2. get_centroids 

部分输出：

1. [2, 
2. 0, 
3. 0, 
4. 2, 
5. 1, 
6. 2, 
7. 2, 
8. 2, 
9. 1, 
10. 1, 
11. 2, 
12. 2, 
13. 2, 
14. 2, 
15. 2, 
16. 2, 
17. 0, 

总输出很长。因此，我在这里显示部分输出。输出中的第一个质心为2，这意味着将其分配给质心列表的索引2。

(4) 最后一步是根据数据点的平均值移动质心

在这一步中，我们将取每个质心的所有数据点的平均值，然后将质心移动到该平均值。

例如，我们将在索引2处找到分配给质心的所有点的平均值，然后将质心2移至平均值。对索引0和1的质心也执行相同的操作。

让我们定义一个函数来做到这一点：

1. def calc_centroids(clusters, X): 
2.     new_centroids = [] 
3.     new_df = pd.concat([pd.DataFrame(X), pd.DataFrame(clusters, columns=['cluster'])], 
4.                       axis=1) 
5.     for c in set(new_df['cluster']): 
6.         current_cluster = new_df[new_df['cluster'] == c][new_df.columns[:-1]] 
7.         cluster_mean = current_cluster.mean(axis=0) 
8.         new_centroids.append(cluster_mean) 
9.     return new_centroids 

这些都是我们需要开发的所有功能。

正如我之前所讨论的，我们需要重复此群集分配过程，并多次移动质心，直到质心处于合适的位置。

对于此问题，我选择重复此过程10次。我将在每次迭代后继续绘制质心和数据，以直观地向您展示其工作方式。

1. for i in range(10): 
2.     get_centroids = findClosestCentroids(centroids, X) 
3.     centroids = calc_centroids(get_centroids, X) 
4.     #print(centroids) 
5.     plt.figure() 
6.     plt.scatter(np.array(centroids)[:, 0], np.array(centroids)[:, 1], color='black') 
7.     plt.scatter(X[:, 0], X[:, 1], alpha=0.1) 
8.     plt.show() 

经过五次迭代，将质心设置为其最佳位置。因此，他们此后不再更改职位。

我建议，在尝试降维之前，请运行上面的所有代码以使其学习好。

否则，您可能会感到不知所措!另外，由于我们已经详细解释了该算法，因此我现在将加快执行速度。

降维

我想解释一下这种算法的至少一个用例。一种非常有用的用例是降维。

想一想图像。图像中可能有太多不同的像素。在任何计算机视觉问题中，如果我们可以缩小图片的尺寸，则设备读取该图片的速度将大大提高!是不是

我们可以使用刚刚开发的算法来缩小图片的尺寸。

我将使用青蛙的图片来说明这一点：

> Image By Author

我将这张照片上传到了与笔记本相同的文件夹中。让我们导入这个：

1. import cv2 
2. im = cv2.imread('frog.png') 
3. im 

输出：

1. array([[[  2,  57,  20], 
2.         [  2,  57,  20], 
3.         [  2,  57,  21], 
4.         ..., 
5.         [  0,   5,   3], 
6.         [  8,  12,  11], 
7.         [ 91,  94,  93]],       [[  2,  56,  20], 
8.         [  1,  54,  20], 
9.         [  1,  56,  19], 
10.         ..., 
11.         [  0,   2,   1], 
12.         [  7,   9,   8], 
13.         [ 91,  92,  91]],       [[  2,  55,  20], 
14.         [  2,  53,  19], 
15.         [  1,  54,  18], 
16.         ..., 
17.         [  2,   4,   2], 
18.         [  8,  11,   9], 
19.         [ 91,  93,  91]],       ...,       [[  6,  76,  27], 
20.         [  6,  77,  26], 
21.         [  6,  78,  28], 
22.         ..., 
23.         [  6,  55,  18], 
24.         [ 13,  61,  25], 
25.         [ 94, 125, 102]],       [[  9,  79,  31], 
26.         [ 11,  81,  33], 
27.         [ 12,  82,  32], 
28.         ..., 
29.         [  6,  56,  19], 
30.         [ 14,  61,  27], 
31.         [ 96, 126, 103]],       [[ 43, 103,  63], 
32.         [ 44, 107,  66], 
33.         [ 46, 106,  66], 
34.         ..., 
35.         [ 37,  81,  50], 
36.         [ 47,  88,  59], 
37.         [118, 145, 126]]], dtype=uint8) 

检查数组的形状，

1. im.sgape 

输出：

1. (155, 201, 3) 

我将整个数组除以255，以使所有值从0到1。

然后将其重塑为155 * 201 x 3，使其成为二维数组。因为我们之前开发了二维数组的所有函数。

1. im = (im/255).reshape(155*201, 3) 

如您在上方所见，有许多不同的像素值。我们要减少它并仅保留10像素值。

让我们初始化10个随机索引，

1. randomrandom_index = random.sample(range(0, len(im)), 10) 

现在，像上一个示例一样找到质心：

1. centroids = [] 
2. for i in random_index: 
3.     centroids.append(im[i]) 
4. centroids = np.array(centroids) 

输出：

1. array([[0.00392157, 0.21176471, 0.06666667], 
2. [0.03529412, 0.2627451 , 0.09803922], 
3. [0.29411765, 0.3254902 , 0.26666667], 
4. [0.00784314, 0.18431373, 0.05882353], 
5. [0.29019608, 0.49411765, 0.28235294], 
6. [0.5254902 , 0.61176471, 0.48627451], 
7. [0.04313725, 0.23921569, 0.09803922], 
8. [0.00392157, 0.23529412, 0.0745098 ], 
9. [0.00392157, 0.20392157, 0.04705882], 
10. [0.22352941, 0.48235294, 0.40784314]]) 

现在，我也将" im"转换为数组，

1. im = np.array(im) 

数据准备就绪。现在，我们可以继续进行集群过程。但是这次，我将不进行可视化。因为数据不再是二维的。因此，可视化并不容易。

1. for i in range(20): 
2.     get_centroids = findClosestCentroids(centroids, im) 
3.     centroids = calc_centroids(get_centroids, im) 

我们现在得到了更新的质心。

1. centroids 

输出：

1. [0 0.017726 
2. 1 0.227360 
3. 2 0.084389 
4. dtype: float64, 
5. 0 0.119791 
6. 1 0.385882 
7. 2 0.247633 
8. dtype: float64, 
9. 0 0.155117 
10. 1 0.492051 
11. 2 0.331497 
12. dtype: float64, 
13. 0 0.006217 
14. 1 0.048596 
15. 2 0.019410 
16. dtype: float64, 
17. 0 0.258289 
18. 1 0.553290 
19. 2 0.406759 
20. dtype: float64, 
21. 0 0.728167 
22. 1 0.764610 
23. 2 0.689944 
24. dtype: float64, 
25. 0 0.073519 
26. 1 0.318513 
27. 2 0.170943 
28. dtype: float64, 
29. 0 0.035116 
30. 1 0.273665 
31. 2 0.114766 
32. dtype: float64, 
33. 0 0.010810 
34. 1 0.144621 
35. 2 0.053192 
36. dtype: float64, 
37. 0 0.444197 
38. 1 0.617780 
39. 2 0.513234 
40. dtype: float64] 

这是最后一步。我们只会保留这10点。

如果还打印get_centroids，您将看到集群分配。

现在，我们要遍历整个数组" im"，并将数据更改为其相应的簇质心值。这样，我们将仅具有这些质心值。

我不想更改原始数组，而是要制作一个副本并在那里进行更改。

1. imim_recovered = im.copy() 
2. for i in range(len(im)): 
3.     im_recovered[i] = centroids[get_centroids[i]] 

您还记得，我们在一开始就更改了图像的尺寸，使其成为二维数组。我们现在需要将其更改为原始形状。

1. im_recoveredim_recovered = im_recovered.reshape(155, 201, 3) 

在这里，我将并排绘制原始图像和缩小后的图像，以显示差异：

1. im1 = cv2.imread('frog.png') 
2. import matplotlib.image as mpimg 
3. fig,ax = plt.subplots(1,2) 
4. ax[0].imshow(im1) 
5. ax[1].imshow(im_recovered) 

> Image by Author

看，我们如此大地减小了图像的尺寸。不过，它看起来像只青蛙!但是计算机阅读起来会快得多!

结论

在本文中，我解释了k均值聚类的工作原理以及如何从头开始开发k均值聚类算法。我还解释了如何使用此算法来缩小图像尺寸。请尝试使用其他图像。

这是我在本文中使用的数据集的链接。

https://github.com/rashida048/Machine-Learning-With-Python/blob/master/kmean.xlsx

这个是代码：

https://github.com/rashida048/Machine-Learning-With-Python/blob/master/k_mean_clustering_final.ipynb

原文地址：https://www.toutiao.com/i6907433582563115528/