【机器学习算法-python实现】K-means无监督学习实现分类,-pythonk-means
【机器学习算法-python实现】K-means无监督学习实现分类,-pythonk-means
1.背景
无监督学习的定义就不多说了,不懂得可以google。因为项目需要,需要进行无监督的分类学习。 K-means里面的K指的是将数据分成的份数,基本上用的就是算距离的方法。 大致的思路就是给定一个矩阵,假设K的值是2,也就是分成两个部分,那么我们首先确定两个质心。一开始是找矩阵每一列的最大值max,最小值min,算出range=max-min,然后设质心就是min+range*random。之后在逐渐递归跟进,其实要想明白还是要跟一遍代码,自己每一步都输出一下看看跟自己想象的是否一样。(顺便吐槽一下,网上好多人在写文章的事后拿了书上的代码就粘贴上,也不管能不能用,博主改了一下午才改好。。。,各种bug)2.代码
''' @author: hakuri ''' from numpy import * import matplotlib.pyplot as plt def loadDataSet(fileName): #general function to parse tab -delimited floats dataMat = [] #assume last column is target value fr = open(fileName) for line in fr.readlines(): curLine = line.strip().split('\t') fltLine = map(float,curLine) #map all elements to float() dataMat.append(fltLine) return dataMat def distEclud(vecA, vecB): return sqrt(sum(power(vecA - vecB, 2))) #la.norm(vecA-vecB) def randCent(dataSet, k): n = shape(dataSet)[1] centroids = mat(zeros((k,n)))#create centroid mat for j in range(n):#create random cluster centers, within bounds of each dimension minJ = min(array(dataSet)[:,j]) rangeJ = float(max(array(dataSet)[:,j]) - minJ) centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1)) return centroids def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent): m = shape(dataSet)[0] clusterAssment = mat(zeros((m,2)))#create mat to assign data points #to a centroid, also holds SE of each point centroids = createCent(dataSet, k) clusterChanged = True while clusterChanged: clusterChanged = False for i in range(m):#for each data point assign it to the closest centroid minDist = inf; minIndex = -1 for j in range(k): distJI = distMeas(array(centroids)[j,:],array(dataSet)[i,:]) if distJI < minDist: minDist = distJI; minIndex = j if clusterAssment[i,0] != minIndex: clusterChanged = True clusterAssment[i,:] = minIndex,minDist**2 print centroids # print nonzero(array(clusterAssment)[:,0] for cent in range(k):#recalculate centroids ptsInClust = dataSet[nonzero(array(clusterAssment)[:,0]==cent)[0][0]]#get all the point in this cluster centroids[cent,:] = mean(ptsInClust, axis=0) #assign centroid to mean id=nonzero(array(clusterAssment)[:,0]==cent)[0] return centroids, clusterAssment,id def plotBestFit(dataSet,id,centroids): dataArr = array(dataSet) cent=array(centroids) n = shape(dataArr)[0] n1=shape(cent)[0] xcord1 = []; ycord1 = [] xcord2 = []; ycord2 = [] xcord3=[];ycord3=[] j=0 for i in range(n): if j in id: xcord1.append(dataArr[i,0]); ycord1.append(dataArr[i,1]) else: xcord2.append(dataArr[i,0]); ycord2.append(dataArr[i,1]) j=j+1 for k in range(n1): xcord3.append(cent[k,0]);ycord3.append(cent[k,1]) fig = plt.figure() ax = fig.add_subplot(111) ax.scatter(xcord1, ycord1, s=30, c='red', marker='s') ax.scatter(xcord2, ycord2, s=30, c='green') ax.scatter(xcord3, ycord3, s=50, c='black') plt.xlabel('X1'); plt.ylabel('X2'); plt.show() if __name__=='__main__': dataSet=loadDataSet('/Users/hakuri/Desktop/testSet.txt') # # print randCent(dataSet,2) # print dataSet # # print kMeans(dataSet,2) a=[] b=[] a, b,id=kMeans(dataSet,2) plotBestFit(dataSet,id,a)
用的时候直接看最后的main,dataSet是数据集输入,我会在下载地址提供给大家。kmeans函数第一个参数是输入矩阵、第二个是K的值,也就是分几份。plotBestFit是画图函数,需要加plot库,而且目前只支持二维且K=2的情况。
3.效果图
里面黑色的大点是两个质心,怎么样,效果还可以吧!测试的时候一定要多用一点数据才会明显。4.下载地址
我的github地址https://github.com/jimenbian,喜欢就点个starO(∩_∩)O哈! 点我下载
/********************************
* 本文来自博客 “李博Garvin“
* 转载请标明出处:http://blog.csdn.net/buptgshengod
******************************************/
通常而言,能够深入研究机器学习算法,并按照自己项目需求进行定制开发的人,编程语言真的是一个很次要的问题。
自己去google搜索下面的关键词吧,很多机器学习的算法实现。
machine learning in Java
machine learning in C++
machine learning in Python
machine learning in Matlab
machine learning in R
机器学习通过从数据里提取规则或模式来把数据转换成信息。主要的方法有归纳学习法和分析学习法。数据首先被预处理,形成特征,然后根据特征创建某种模型。机器学习算法分析收集到的数据,分配权重、阈值和其他参数达到学习目的。如果只想把数据分成不同的类,那么“聚类”算法就够了;如果需要预测,则需要一个“分类”算法。OpenCV库里面包含的是基于概率统计的机器学习方法,贝叶斯网络、马尔科夫随机场、图模型等较新的算法还在成长过程中,所以OpenCV还没有收录。机器学习的算法有很多很多:1、Mahalanobis2、K-means 非监督的聚类方法3、朴素贝叶斯分类器 特征是高斯分布&&统计上相互独立 条件比较苛刻4、决策数 判别分类器,根据阈值分类数据,速度快。ID3,C4.55、Boosting 多个判别子分类器的组合6、随机森林 由多个决策树组成7、人脸检测/Haar分类器 使用Boosting算法8、期望最大化EM 用于聚类的非监督生成算法9、K-近邻 最简单的分类器10、神经网络(多层感知器) 训练分类器很慢,但是识别很快11、支持向量机 SVM 可以分类,也可以回归。通过分类超平面实现在高维空间里的最优分类12、遗传算法 借鉴生物遗传机制 ,随机化非线性计算算法总之呢,个人觉得,机器学习、数据挖掘、模式识别、专家系统等方向和领域目前还是一种比较混乱的局面。学术界和商业界可能是不同的,关于算法的理论研究和使用这些方法生成商品是分别关注的。按照不同的领域、不同的方法可以划分出众多的分支。但是有一点是肯定的,这些在上世纪80年代提出来的公式和证明,如今正在变成一行行的代码,在一些猫(tomcat)、IIS等服务器的支持下,爬上了网络,到处寻觅对主人有用的信息,然后运送到网络中,最终生成产品,或者半产品。看看你电脑上的那根网线,它那么小,但是很难想象它从你的电脑上拿走了什么,又给你送来了什么。有些远了,继续说数据这些事。目前我接触过的算法有:(太多了,一时间真不好说出来) 神经网络(感知器、BP、RBF等很多的算法),遗传算法,支持向量机,层次分析法,各种回归,灰色系统(国产的方法,用于不确定知识的预测),粗糙集,贝叶斯网络,时间序列分析(也有很多)。学习和研究纸面的算法公式只是第一步,不可以忽略的基础,如何使用这些方法,在浩瀚的互联网上找到自己需要的、满足客户需要的数据和信息,从而让需要的人能够更加方便地得到,是今后的重头戏了。貌似很多的企业已经进军数据仓库这一块,并尝到了巨大的甜头,也有企业养着一队预备军,专注研发,随时准备奔赴前线,占领市场。无线网络市场的竞争已经到了激烈的局面,普适计算的时代也快到了吧。它依赖于硬件产品的可穿戴,和软件产品的内嵌、快速响应。总而言之,越来越人性化,谁都不愿意抱着笔记本电脑蹲厕所,是吧?
评论暂时关闭