项目介绍

源代码: https://github.com/VonSdite/K-Means
使用前记得先安装相关的包

1	pip install -r requirement.txt

以本项目为例

先运行dataClean.py程序, 对数据iris.data做处理, 得到iris.csv以及真实的分类图

iris.data是鸢尾花数据集, 包含3个不同品种的鸢尾花(Setosa, Versicolour, and Virginica)数据, 以及花瓣和萼片的长度、宽度。数据有150行4列, 150行指150朵花, 4列分别是Sepal Length(萼片长度), Sepal Width(萼片宽度), Petal Length(花瓣长度) and Petal Width(花瓣宽度)

运行main.py

点击 打开-open file, 打开csv文件(也只能打开csv文件)

注意csv文件的要求:

要带有表头
数据是两列数值数据, 所以需要先处理数据
数据格式类似如下

x,y
1,1
2,3
4,5

打开后, 会先绘制出数据的散点图
输入分类个数k-点击分类, 分类过程如下

分类过程中, 左下角状态栏会显示当前的状态

分类结果比较

分析

因为数据只用到了萼片的宽度和长度, 只做了二维数据的k-means, 所以对于区分1类和2类花朵的效果还没达到完全区分的效果, 但是已经能万全区分0类花朵了

提升方面, 提升维度, 把花瓣的宽度和长度也考虑进去, 可能可以更好的区分

K-Means介绍

概述

K-means算法是集简单和经典于一身的基于距离的聚类算法

采用距离作为相似性的评价指标, 即认为两个对象的距离越近, 其相似度就越大。

该算法认为类簇是由距离靠近的对象组成的, 因此把得到紧凑且独立的簇作为最终目标。

核心思想

通过迭代寻找k个类簇的一种划分方案, 使得用这k个类簇的均值来代表相应各类样本时所得的总体误差最小。

k个聚类具有以下特点：各聚类本身尽可能的紧凑, 而各聚类之间尽可能的分开。

k-means算法的基础是最小误差平方和准则,

其代价函数是：
式中, μc(i)表示第i个聚类的均值。

各类簇内的样本越相似, 其与该类均值间的误差平方越小, 对所有类所得到的误差平方求和, 即可验证分为k类时, 各聚类是否是最优的。

上式的代价函数无法用解析的方法最小化, 只能有迭代的方法。

算法实现步骤

k-means算法是将样本聚类成 k个簇(cluster), 其中k是用户给定的, 其求解过程非常直观简单, 具体算法描述如下：

随机选取 k个聚类质心点
重复下面过程直到收敛 {

对于每一个样例 i, 计算其应该属于的类：

对于每一个类 j, 重新计算该类的质心：

}

其伪代码如下：

创建k个点作为初始的质心点(随机选择)

当任意一个点的簇分配结果发生改变时

       对数据集中的每一个数据点

              对每一个质心

                     计算质心与数据点的距离

              将数据点分配到距离最近的簇

       对每一个簇, 计算簇中所有点的均值, 并将均值作为质心