公號：碼農充電站pro
主頁：https://codeshellme.github.io
之前介紹到的一些機器學習算法都是監督學習算法。所謂監督學習，就是既有特征數據，又有目標數據。
而本篇文章要介紹的K 均值算法是一種無監督學習。
與分類算法相比，無監督學習算法又叫聚類算法，就是只有特征數據，沒有目標數據，讓算法自動從數據中“學習知識”，將不同類別的數據聚集到相應的類別中。
1，K 均值算法
K 均值的英文為K-Means，其含義是：
- K：表示該算法可以將數據划分到K 個不同的組中。
- 均值：表示每個組的中心點是組內所有值的平均值。
K 均值算法可以將一個沒有被分類的數據集，划分到K 個類中。某個數據應該被划分到哪個類，是通過該數據與群組中心點的相似度決定的，也就是該數據與哪個類的中心點最相似，則該數據就應該被划分到哪個類中。
關於如何計算事物之間的相似度，可以參考文章《計算機如何理解事物的相關性》。
使用K 均值算法的一般步驟是：
- 確定K 值是多少：
- 對於K 值的選擇，可以通過分析數據，估算數據應該分為幾個類。
- 如果無法估計確切值，可以多試幾個K 值，最終將划分效果最好的K 值作為最終選擇。
- 選擇K 個中心點：一般最開始的K 個中心點是隨機選擇的。
- 將數據集中的所有數據，通過與中心點的相似度划分到不同的類別中。
- 根據類別中的數據平均值，重新計算每個類別中心點的位置。
- 循環迭代第3，4步，直到中心點的位置幾乎不再改變，分類過程就算完畢。
2，K 均值算法聚類過程
下面以一個二維數據點的聚類過程，來看下K 均值算法如何聚類。
首先，這里有一些離散的數據點，如下圖：
我們使用K 均值算法對這些數據點進行聚類。隨機選擇兩個點作為兩個類的中心點，分別是紅色x 和藍色x：
計算所有數據點到這兩個中心點的距離，距離紅色x 近的點標紅色，距離藍色x 近的點標藍色：
重新計算兩個中心點的位置，兩個中心點分別移動到新的位置：
重新計算所有數據點分別到紅色x 和藍色x的距離，距離紅色x 近的點標紅色，距離藍色x 近的點標藍色：
再次計算兩個中心點的位置，兩個中心點分別移動到新的位置：
直到中心點的位置幾乎不再變化，聚類結束。
以上過程就是K 均值算法的聚類過程。
3，K 均值算法的實現
K 均值算法是一個聚類算法，sklearn 庫中的 cluster 模塊實現了一系列的聚類算法，其中就包括K 均值算法。
來看下KMeans 類的原型：
KMeans(
n_clusters=8,
init='k-means++',
n_init=10,
max_iter=300,
tol=0.0001,
precompute_distances='deprecated',
verbose=0,
random_state=None,
copy_x=True,
n_jobs='deprecated',
algorithm='auto')
可以看KMeans 類有很多參數，這里介紹幾個比較重要的參數：
- n_clusters: 即 K 值，可以隨機設置一些 K 值，選擇聚類效果最好的作為最終的 K 值。
- init：選擇初始中心點的方式：
- init='k-means++'：可加快收斂速度，是默認方式，也是比較好的方式。
- init='random '：隨機選擇中心點。
- 也可以自定義方式，這里不多介紹。
- n_init：初始化中心點的運算次數，默認是 10。如果 K 值比較大，可以適當增大 n_init 的值。
- algorithm：k-means 的實現算法，有auto，full，elkan三種。
- 默認是auto，根據數據的特點自動選擇用full或者elkan。
- max_iter：算法的最大迭代次數，默認是300。
- 如果聚類很難收斂，設置最大迭代次數可以讓算法盡快結束。
下面對一些二維坐標中的點進行聚類，看下如何使用K 均值算法。
4，准備數據點
下面是隨機生成的三類坐標點，每類有20 個點，不同類的點的坐標在不同的范圍內：
- A 類點：Ax 表示A 類點的橫坐標，Ay 表示A 類點的縱坐標。橫縱坐標范圍都是 (0, 20]。
- B 類點：Bx 表示B 類點的橫坐標，By 表示B 類點的縱坐標。橫縱坐標范圍都是 (40, 60]。
- C 類點：Cx 表示C 類點的橫坐標，Cy 表示C 類點的縱坐標。橫縱坐標范圍都是 (70, 90]。
Ax = [20, 6, 14, 13, 8, 19, 20, 14, 2, 11, 2, 15, 19, 4, 4, 11, 13, 4, 15, 11]
Ay = [14, 19, 17, 16, 3, 7, 9, 18, 20, 3, 4, 12, 9, 17, 14, 1, 18, 17, 3, 5]
Bx = [53, 50, 46, 52, 57, 42, 47, 55, 56, 57, 56, 50, 46, 46, 44, 44, 58, 54, 47, 57]
By = [60, 57, 57, 53, 54, 45, 54, 57, 49, 53, 42, 59, 54, 53, 50, 50, 58, 58, 58, 51]
Cx = [77, 75, 71, 87, 74, 70, 74, 85, 71, 75, 72, 82, 81, 70, 72, 71, 88, 71, 72, 80]
Cy = [85, 77, 82, 87, 71, 71, 77, 88, 81, 73, 80, 72, 90, 77, 89, 88, 83, 77, 90, 72]
我們可以用 Matplotlib 將這些點畫在二維坐標中，代碼如下：
import matplotlib.pyplot as plt
plt.scatter(Ax + Bx + Cx, Ay + By + Cy, marker='o')
plt.show()
畫出來的圖如下，可看到這三類點的分布范圍還是一目了然的。
關於如何使用 Matplotlib 繪圖，可以參考文章《如何使用Python 進行數據可視化》。
5，對數據聚類
下面使用K 均值算法對數據點進行聚類。
創建K 均值模型對象：
from sklearn.cluster import KMeans
# 設置 K 值為 3，其它參數使用默認值
kmeans = KMeans(n_clusters=3)
准備數據，共三大類，60 個坐標點：
train_data = [
# 前20 個為 A 類點
[20, 14], [6, 19], [14, 17], [13, 16], [8, 3], [19, 7], [20, 9],
[14, 18], [2, 20], [11, 3], [2, 4], [15, 12], [19, 9], [4, 17],
[4, 14], [11, 1], [13, 18], [4, 17], [15, 3], [11, 5],
# 中間20 個為B 類點
[53, 60], [50, 57], [46, 57], [52, 53], [57, 54], [42, 45], [47, 54],
[55, 57], [56, 49], [57, 53], [56, 42], [50, 59], [46, 54], [46, 53],
[44, 50], [44, 50], [58, 58], [54, 58], [47, 58], [57, 51],
# 最后20 個為C 類點
[77, 85], [75, 77], [71, 82], [87, 87], [74, 71], [70, 71], [74, 77],
[85, 88], [71, 81], [75, 73], [72, 80], [82, 72], [81, 90], [70, 77],
[72, 89], [71, 88], [88, 83], [71, 77], [72, 90], [80, 72],
]
擬合模型：
kmeans.fit(train_data)
對數據進行聚類：
predict_data = kmeans.predict(train_data)
查看聚類結果，其中的0，1，2 分別代表不同的類別：
>>> print(predict_data)
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]
通過觀察最終的聚類結果predict_data，可以看到，前，中，后20 個數據分別被分到了不同的類中，也非常符合我們的預期，說明K 均值算法的聚類結果還是很不錯的 。
因為本例中的二維坐標點的分布界限非常明顯，所以最終的聚類結果非常不錯。
我們可以通過 n_iter_ 屬性來查看迭代的次數：
>>> kmeans.n_iter_
2
通過 cluster_centers_ 屬性查看每個類的中心點坐標：
>>> kmeans.cluster_centers_
array([[11.25, 11.3 ],
[75.9 , 80.5 ],
[50.85, 53.6 ]])
將這三個中心點畫在坐標軸中，如下：
6，總結
本篇文章主要介紹了K 均值算法的原理，及sklearn 庫對它的實現，並且演示了如何使用K 均值算法對二維數據點進行聚類。
（本節完。）
推薦閱讀：
歡迎關注作者公眾號，獲取更多技術干貨。
