欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！
对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tsaiedu，并注明消息来源，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。
天善学院2018年度SVIP 998特惠即将结束！https://www.hellobi.com/svip一众一线名企名师，一波数据分析+人工智能+商业智能绝对好课！
作者：挖数 腾讯数据产品经理 & 段子手
个人微信公号：washu66
所谓人以类聚，物以群分。人都喜欢跟自己像的人聚在一起，这些人或者样子长得比较像，或者身高比较像，或者性格比较像，或者有共同的爱好，也就是身上有某些特征是相似的。
而跟自己像的人聚在一起的过程，其实就是寻找朋友的过程，比如A认识B，因为跟B兴趣相近于是成为了朋友，通过B又认识了C，发现兴趣较一致于是也成为了朋友，那么ABC三个人就是一个朋友群，这个朋友群的形成，是自下而上的迭代的过程。在100个人当中，可能有5个朋友群，这5个朋友群的形成可能要2个月。
而聚类算法，跟以上的过程很像。
聚类算法，是把距离作为特征，通过自下而上的迭代方式（距离对比），快速地把一群样本分成几个类别的过程。
有人可能会说，干嘛要聚类啊，肉眼看猪是猪牛是牛这不一下就分开了么，那如果是一万头猪跟牛，你能一下分开么？
又有人说猪跟牛长的那么不一样，一下就看出来了，还用机器？其实猪跟牛看的出分别是因为他们的外形太不一样。实际上样本可能有几个甚至几十个维度，光对比其中1,2个维度基本分不出差别。
所以聚类算法，一般是面向大量的，同时维度在2个或2个以上的样本群。
前面讲到，聚类算法是根据样本之间的距离来将他们归为一类的，这个距离不是普通的距离，理论上叫做欧氏距离。
为什么不用普通的距离就好，用这么拗口的欧式距离？那是为了衡量高于三维空间的样本之间的距离。在二维和三维空间里，欧式距离就是我们理解的普通的距离。
在多维空间里，假设两个样本为a(x1,x2,x3,x4...xn)，b(y1,y2,y3,y4...yn)。那么他们之间的欧式距离的计算公式是
那么聚类算法，是怎么通过迭代的方式，将样本聚成几个类别的呢？
有一种最经典的K-Means聚类方法，他是这样运作的：
1、在样本中随机选择K个点，作为每个类别的初始中心点，这K是自己定的，假如你想将样本分成3个类K就等于3,4个类K就等于4；
2、计算所有样本离这K个初始中心点的距离并分别进行比较，选出其中最近的距离并把这个样本归到这个初始中心点的类别里，即总共划分成K个类别；
3、舍弃原来的初始中心点，在划分好的K个类别里分别计算出新的中心点，使得这些中心点距离他类别里的所有样本的距离之和最小；
4、判断新获得的中心点是否与旧中心点一样，如不一样则回到第2步，重新计算所有样本离这K个新的中心点的距离并进行比较，选出其中最近的距离并归到这个新的中心点的类别里，继续下面的步奏；如一样则完成，即收敛。
可以用下面的图很好地说明
有ABCDE5个样本，一开始选定右边的2个初始中心点，K=2，大家颜色都不一样，谁都不服谁；
5个样本分别对比跟2个初始中心点的距离，选距离近的傍依，这时5个样本分成红黑2群；
然后开始换老大啦，2个初始中心点消失，重新在2个类分别中心的位置出现2个新的中心点，这2个新的中心点离类别里样本的距离之和必须是最小的；
新的老大出现，类别的划分也不一样啦，C开始叛变，皈依新老大，因为他离新老大更近一点；
新的老大消失，新新老大出现，发现划分的类别没有变化，帮派稳定，于是收敛。
用Python写了一个简单的聚类算法：
import matplotlib.pyplot as plt
import random
import math
from copy import copy
#寻找新的中心点的函数
def new(group):
minimum=10000
o=[]
for x1 in range(min(group['x']),max(group['x'])):
for y1 in range(min(group['y']),max(group['y'])):
j=0
red_sum=0
while j<=len(group['x'])-1:
red_sum+=math.sqrt((group['x'][j]-x1)**2+(group['y'][j]-y1)**2)
j+=1
o.append(red_sum)
if(red_sum
minimum=copy(red_sum)
x2=copy(x1)
y2=copy(y1)
return x2,y2
#根据中心点聚类并且着色的函数
def color(a,b,x,y):
i=0
red={'x':[],'y':[]}
blue={'x':[],'y':[]}
black={'x':[],'y':[]}
while i<=90:
distance0=math.sqrt((int(a[i])-x[0])**2+(int(b[i])-y[0])**2)
distance1=math.sqrt((int(a[i])-x[1])**2+(int(b[i])-y[1])**2)
distance2=math.sqrt((int(a[i])-x[2])**2+(int(b[i])-y[2])**2)
if (min(distance0,distance1,distance2)==distance0):
plt.plot(a[i],b[i],'ro',color='red')
red['x'].append(int(a[i]))
red['y'].append(int(b[i]))
elif (min(distance0,distance1,distance2)==distance1):
plt.plot(a[i],b[i],'ro',color='blue')
blue['x'].append(int(a[i]))
blue['y'].append(int(b[i]))
else:
plt.plot(a[i],b[i],'ro',color='black')
black['x'].append(int(a[i]))
black['y'].append(int(b[i]))
i+=1
return red,blue,black
def main():
#读取数据
file=open('d:/kmeans/data.txt')
a=[]
b=[]
for line in file.readlines():
data=line.strip().split(',')
a.append(data[0])
b.append(data[1])
#随机选取3个初始中心点
x=[random.randint(1,20),random.randint(1,20),random.randint(1,20)]
y=[random.randint(1,20),random.randint(1,20),random.randint(1,20)]
red,blue,black=color(a,b,x,y)
plt.plot(x[0],y[0],'x',color='red',markersize=15)
plt.plot(x[1],y[1],'x',color='blue',markersize=15)
plt.plot(x[2],y[2],'x',color='black',markersize=15)
plt.axis([0,25,0,25])
plt.show()
#循环执行函数，直到收敛
while (x[0],y[0]!=new(red)) or (x[1],y[1]!=new(blue)) or (x[2],y[2]!=new(black)):
x[0],y[0]=new(red)
x[1],y[1]=new(blue)
x[2],y[2]=new(black)
red,blue,black=color(a,b,x,y)
plt.plot(x[0],y[0],'x',color='red',markersize=15)
plt.plot(x[1],y[1],'x',color='blue',markersize=15)
plt.plot(x[2],y[2],'x',color='black',markersize=15)
plt.axis([0,25,0,25])
plt.show()
file.close()
if __name__=='__main__':
main()
第一次聚类时，分布是这样的
第二次聚类时，分布是这样的
收敛时，分布是这样的
一套SVIP课程，15选8，每套课程均价112！知识付费的时代，一次旅游的钱便能收获8大全方位、多体系的课程！
更有全场六折优惠课程，为你加油助力！
网友评论