机器学习：学习KMeans算法，了解模型创建、使用模型及模型评价

作者：AOAIYI

作者简介：Python领域新星作者、多项比赛获奖者：AOAIYI首页

😊😊😊如果觉得文章不错或能帮助到你学习，可以点赞👍收藏📁评论📒+关注哦！👍👍👍

📜📜📜如果有小伙伴需要数据集和学习交流，文章下方有交流学习区！一起学习进步！💪

文章目录

• 机器学习：学习KMeans算法，了解模型创建、使用模型及模型评价
• 一、实验目的
• 二、实验原理
• 三、实验环境
• 四、实验内容
• 五、实验步骤
• • 1.数据读取
  • 2.数据理解
  • 3.数据规整化处理
  • 4.数据建模
  • 5.查看模型
  • 6.预测模型
  • 7.结果输出
• 总结

一、实验目的

学习sklearn模块中的KMeans算法

二、实验原理

K-means算法是将样本聚类成k个簇（cluster），具体算法描述如下:

1、 随机选取k个聚类质心点（cluster centroids）为

2、 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

K是我们事先给定的聚类数，c(i)代表样例i与k个类中距离最近的那个类，c(i)的值是1到k中的一个。质心uj代表我们对属于同一个类的样本中心点的猜测，拿星团模型来解释就是要将所有的星星聚成k个星团，首先随机选取k个宇宙中的点（或者k个星星）作为k个星团的质心，然后第一步对于每一个星星计算其到k个质心中每一个的距离，然后选取距离最近的那个星团作为c(i)，这样经过第一步每一个星星都有了所属的星团；第二步对于每一个星团，重新计算它的质心uj（对里面所有的星星坐标求平均）。重复迭代第一步和第二步直到质心不变或者变化很小。求点群中心的算法：

一般来说，求点群中心点的算法你可以使用各个点的X/Y坐标的平均值。不过，我这里想告诉大家另三个求中心点的的公式：

1）Minkowski Distance公式——λ可以随意取值，可以是负数，也可以是正数，或是无穷大。

2）Euclidean Distance公式——也就是第一个公式λ=2的情况

3）CityBlock Distance公式——也就是第一个公式λ=1的情况

三、实验环境

Python 3.9

Anaconda

Jupyter Notebook

四、实验内容

学习KMeans算法，了解模型创建、使用模型及模型评价等操作

五、实验步骤

1.数据读取

1.查看数据内容

2.使用pandas的read_table方法读取protein.txt文件，以\t分隔并传入protein

import pandas as pd  
protein = pd.read_table("D:\CSDN\data\kmeans\protein.txt", sep='\t')  
protein.head()  

2.数据理解

1.查看protein的描述性统计

print(protein.describe())

2.查看数据基本信息

protein.info()

3.查看protein的列名

print(protein.columns)

4.用.shape方法可以读取矩阵的形状

print(protein.shape)  

3.数据规整化处理

1.导入sklearn模块中的preprocessing函数

from sklearn import preprocessing  
#删除protein中的Country列,axis=1表示横向执行  
sprotein = protein.drop(['Country'], axis=1) 
print(sprotein) 

使用preprocessing函数中的.scale()方法进行标准化，一般会把train和test集放在一起做标准化，
或者在train集上做标准化后，用同样的标准化器去标准化test集此时可以用scaler

sprotein_scaled = preprocessing.scale(sprotein)  
print(sprotein_scaled)  

4.数据建模

1.导入sklearn模块中的KMeans方法

from sklearn.cluster import KMeans  
#创建一个1~20的列表并赋值给NumberOfClusters  
NumberOfClusters = range(1, 20)  
#n_clusters参数：分成的簇数（要生成的质心数）  
kmeans = [KMeans(n_clusters=i) for i in NumberOfClusters]  
score = [kmeans[i].fit(sprotein_scaled).score(sprotein_scaled) for i in range(len(kmeans))]  
score  

2.导入Matplotlib模块

import matplotlib.pyplot as plt  
%matplotlib inline  
plt.plot(NumberOfClusters,score)  
plt.xlabel('Number of Clusters')  
plt.ylabel('Score')  
plt.title('Elbow Curve')  
plt.show() 

3.使用KMeans算法生成实例myKmeans

myKmeans = KMeans(algorithm="auto",n_clusters=5,n_init=10,max_iter=200) 

参数解释：

• algorithm：有“auto”, “full” or “elkan”三种选择,默认的”auto”则会根据数据值是否是稀疏的，来决定如何选择”full”和“elkan”，一般数据是稠密的，那么就是 “elkan”，否则就是”full”

• n_clusters=5：即k值，一般需要多试一些值以获得较好的聚类效果

• n_init：用不同的初始化质心运行算法的次数

• max_iter： 最大的迭代次数

4.利用.fit()方法对sprotein_scaled进行模型拟合

myKmeans.fit(sprotein_scaled) 

5.查看模型

1.打印输出myKmeans模型

print(myKmeans)

6.预测模型

1.使用.predict方法，用训练好的模型进行预测

y_kmeans = myKmeans.predict(sprotein)  
print(y_kmeans) 

7.结果输出

1.编写print_kmcluster函数并输出结果

def print_kmcluster(k):  '''用于聚类结果的输出  k：为聚类中心个数  '''  for i in range(k):  print('聚类', i)  ls = []  for index, value in enumerate(y_kmeans):  if i == value:  ls.append(index)  print(protein.loc[ls, ['Country', 'RedMeat', 'Fish', 'Fr&Veg']])  print_kmcluster(5)

总结

K-Means算法是一种典型的基于划分的聚类算法，也是一种无监督学习算法。K-Means算法的思想很简单，对给定的样本集，用欧氏距离作为衡量数据对象间相似度的指标，相似度与数据对象间的距离成反比，相似度越大，距离越小。

走在人生的跑道上，不管遇到任何的困难，我们都应该坚持下去，永不退缩，只有这样我们才能够成功。