【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？