k-means+python︱scikit-learn中的KMeans聚类实现( + MiniBatchKMeans)

来源“素质云博客”

之前一直用R，现在开始学python之后就来尝试用Python来实现Kmeans。 
之前用R来实现kmeans的博客：笔记︱多种常见聚类模型以及分群质量评估（聚类注意事项、使用技巧）

聚类分析在客户细分中极为重要。有三类比较常见的聚类模型，K-mean聚类、层次（系统）聚类、最大期望EM算法。在聚类模型建立过程中，一个比较关键的问题是如何评价聚类结果如何，会用一些指标来评价。 
.

---

一、scikit-learn中的Kmeans介绍

scikit-learn 是一个基于Python的Machine Learning模块，里面给出了很多Machine 
Learning相关的算法实现，其中就包括K-Means算法。

官网scikit-learn案例地址：http://scikit-learn.org/stable/modules/clustering.html#k-means 
部分来自：scikit-learn 源码解读之Kmeans——简单算法复杂的说 

各个聚类的性能对比： 

优点：原理简单速度快对大数据集有比较好的伸缩性缺点：需要指定聚类 数量K对异常值敏感对初始值敏感
1
2
3
4
5
6
7
8
9
10
11

1、相关理论

参考：K-means算法及文本聚类实践

• （1）中心点的选择

k-meams算法的能够保证收敛，但不能保证收敛于全局最优点，当初始中心点选取不好时，只能达到局部最优点，整个聚类的效果也会比较差。可以采用以下方法：k-means中心点

选择彼此距离尽可能远的那些点作为中心点； 
先采用层次进行初步聚类输出k个簇，以簇的中心点的作为k-means的中心点的输入。 
多次随机选择中心点训练k-means，选择效果最好的聚类结果

• （2）k值的选取

k-means的误差函数有一个很大缺陷，就是随着簇的个数增加，误差函数趋近于0，最极端的情况是每个记录各为一个单独的簇，此时数据记录的误差为0，但是这样聚类结果并不是我们想要的，可以引入结构风险对模型的复杂度进行惩罚：

λλ是平衡训练误差与簇的个数的参数，但是现在的问题又变成了如何选取λλ了，有研究[参考文献1]指出，在数据集满足高斯分布时，λ=2mλ=2m，其中m是向量的维度。

另一种方法是按递增的顺序尝试不同的k值，同时画出其对应的误差值，通过寻求拐点来找到一个较好的k值，详情见下面的文本聚类的例子。

2、主函数KMeans

参考博客：python之sklearn学习笔记 
来看看主函数KMeans：

sklearn.cluster.KMeans(n_clusters=8,     init='k-means++',     n_init=10,     max_iter=300,     tol=0.0001,     precompute_distances='auto',     verbose=0,     random_state=None,     copy_x=True,     n_jobs=1,     algorithm='auto'    )
1
2
3
4
5
6
7
8
9
10
11
12

参数的意义：

• n_clusters:簇的个数，即你想聚成几类
• init: 初始簇中心的获取方法
• n_init: 获取初始簇中心的更迭次数，为了弥补初始质心的影响，算法默认会初始10个质心，实现算法，然后返回最好的结果。
• max_iter: 最大迭代次数（因为kmeans算法的实现需要迭代）
• tol: 容忍度，即kmeans运行准则收敛的条件
• precompute_distances：是否需要提前计算距离，这个参数会在空间和时间之间做权衡，如果是True 会把整个距离矩阵都放到内存中，auto 会默认在数据样本大于featurs*samples 的数量大于12e6 的时候False,False 时核心实现的方法是利用Cpython 来实现的
• verbose: 冗长模式（不太懂是啥意思，反正一般不去改默认值）
• random_state: 随机生成簇中心的状态条件。
• copy_x: 对是否修改数据的一个标记，如果True，即复制了就不会修改数据。bool 在scikit-learn 很多接口中都会有这个参数的，就是是否对输入数据继续copy 操作，以便不修改用户的输入数据。这个要理解Python 的内存机制才会比较清楚。
• n_jobs: 并行设置
• algorithm: kmeans的实现算法，有：’auto’, ‘full’, ‘elkan’, 其中 ‘full’表示用EM方式实现

虽然有很多参数，但是都已经给出了默认值。所以我们一般不需要去传入这些参数,参数的。可以根据实际需要来调用。

3、简单案例一

参考博客：python之sklearn学习笔记 
本案例说明了，KMeans分析的一些类如何调取与什么意义。

import numpy as npfrom sklearn.cluster import KMeansdata = np.random.rand(100, 3) #生成一个随机数据，样本大小为100, 特征数为3#假如我要构造一个聚类数为3的聚类器estimator = KMeans(n_clusters=3)#构造聚类器estimator.fit(data)#聚类label_pred = estimator.labels_ #获取聚类标签centroids = estimator.cluster_centers_ #获取聚类中心inertia = estimator.inertia_ # 获取聚类准则的总和
1
2
3
4
5
6
7
8
9
10

estimator初始化Kmeans聚类；estimator.fit聚类内容拟合； 
estimator.label_聚类标签，这是一种方式，还有一种是predict；estimator.cluster_centers_聚类中心均值向量矩阵 
estimator.inertia_代表聚类中心均值向量的总和

4、案例二

案例来源于：使用scikit-learn进行KMeans文本聚类

from sklearn.cluster import KMeansnum_clusters = 3km_cluster = KMeans(n_clusters=num_clusters, max_iter=300, n_init=40, \                    init='k-means++',n_jobs=-1)#返回各自文本的所被分配到的类索引result = km_cluster.fit_predict(tfidf_matrix)print "Predicting result: ", result
1
2
3
4
5
6
7
8
9
10

km_cluster是KMeans初始化，其中用init的初始值选择算法用’k-means++’； 
km_cluster.fit_predict相当于两个动作的合并：km_cluster.fit（data）+km_cluster.predict（data），可以一次性得到聚类预测之后的标签，免去了中间过程。

• n_clusters: 指定K的值
• max_iter: 对于单次初始值计算的最大迭代次数
• n_init: 重新选择初始值的次数
• init: 制定初始值选择的算法
• n_jobs: 进程个数，为-1的时候是指默认跑满CPU
• 注意，这个对于单个初始值的计算始终只会使用单进程计算，
• 并行计算只是针对与不同初始值的计算。比如n_init=10，n_jobs=40,
• 服务器上面有20个CPU可以开40个进程，最终只会开10个进程

其中：

km_cluster.labels_km_cluster.predict(data)
1
2

这是两种聚类结果标签输出的方式,结果貌似都一样。都需要先km_cluster.fit(data)，然后再调用。

5、案例四——Kmeans的后续分析

Kmeans算法之后的一些分析，参考来源：用Python实现文档聚类

from sklearn.cluster import KMeansnum_clusters = 5km = KMeans(n_clusters=num_clusters)%time km.fit(tfidf_matrix)clusters = km.labels_.tolist()
1
2
3
4
5
6
7
8
9
10

分为五类，同时用%time来测定运行时间，把分类标签labels格式变为list。

• （1）模型保存与载入

from sklearn.externals import joblib# 注释语句用来存储你的模型joblib.dump(km,  'doc_cluster.pkl')km = joblib.load('doc_cluster.pkl')clusters = km.labels_.tolist()
1
2
3
4
5
6

• （2）聚类类别统计

frame = pd.DataFrame(films, index = [clusters] , columns = ['rank', 'title', 'cluster', 'genre'])frame['cluster'].value_counts()
1
2

• （3）质心均值向量计算组内平方和

选择更靠近质心的点，其中 km.cluster_centers_代表着一个 （聚类个数*维度数），也就是不同聚类、不同维度的均值。 
该指标可以知道： 
一个类别之中的，那些点更靠近质心； 
整个类别组内平方和。

类别内的组内平方和要参考以下公式： 
 
 
通过公式可以看出： 
质心均值向量每一行数值-每一行均值（相当于均值的均值） 
注意是平方。其中，n代表样本量，k是聚类数量（譬如聚类5） 
其中，整篇的组内平方和可以通过来获得总量：

km.inertia_
1

.

---

二、大数据量下的Mini-Batch-KMeans算法

部分内容参考来源：scikit-learn学习之K-means聚类算法与 Mini Batch K-Means算法 
当数据量很大的时候，Kmeans 显然还是很弱的，会比较耗费内存速度也会收到很大影响。scikit-learn 提供了MiniBatchKMeans算法，大致思想就是对数据进行抽样，每次不使用所有的数据来计算，这就会导致准确率的损失。

MiniBatchKmeans 继承自Kmeans 因为MiniBathcKmeans 本质上还利用了Kmeans 的思想.从构造方法和文档大致能看到这些参数的含义，了解了这些参数会对使用的时候有很大的帮助。batch_size 是每次选取的用于计算的数据的样本量，默认为100.

Mini Batch K-Means算法是K-Means算法的变种，采用小批量的数据子集减小计算时间，同时仍试图优化目标函数，这里所谓的小批量是指每次训练算法时所随机抽取的数据子集，采用这些随机产生的子集进行训练算法，大大减小了计算时间，与其他算法相比，减少了k-均值的收敛时间，小批量k-均值产生的结果，一般只略差于标准算法。

该算法的迭代步骤有两步： 
1：从数据集中随机抽取一些数据形成小批量，把他们分配给最近的质心 
2：更新质心 
与K均值算法相比，数据的更新是在每一个小的样本集上。对于每一个小批量，通过计算平均值得到更新质心，并把小批量里的数据分配给该质心，随着迭代次数的增加，这些质心的变化是逐渐减小的，直到质心稳定或者达到指定的迭代次数，停止计算 
Mini Batch K-Means比K-Means有更快的 收敛速度，但同时也降低了聚类的效果，但是在实际项目中却表现得不明显 
一张k-means和mini batch k-means的实际效果对比图 

来看一下 MiniBatchKMeans的python实现： 
官网链接、案例一则链接

主函数 :

MiniBatchKMeans(n_clusters=8, init=’k-means++’, max_iter=100, batch_size=100, verbose=0, compute_labels=True, random_state=None, tol=0.0, max_no_improvement=10, init_size=None, n_init=3, reassignment_ratio=0.01)
1
2

相关参数解释（来自博客：用scikit-learn学习K-Means聚类）：

• random_state: 随机生成簇中心的状态条件,譬如设置random_state = 9
• tol: 容忍度，即kmeans运行准则收敛的条件

• max_no_improvement：即连续多少个Mini Batch没有改善聚类效果的话，就停止算法， 
  和reassignment_ratio， max_iter一样是为了控制算法运行时间的。默认是10.一般用默认值就足够了。

• batch_size：即用来跑Mini Batch 
  KMeans算法的采样集的大小，默认是100.如果发现数据集的类别较多或者噪音点较多，需要增加这个值以达到较好的聚类效果。

• reassignment_ratio: 
  某个类别质心被重新赋值的最大次数比例，这个和max_iter一样是为了控制算法运行时间的。这个比例是占样本总数的比例， 
  乘以样本总数就得到了每个类别质心可以重新赋值的次数。如果取值较高的话算法收敛时间可能会增加，尤其是那些暂时拥有样本数较少的质心。 
  默认是0.01。如果数据量不是超大的话，比如1w以下，建议使用默认值。 如果数据量超过1w，类别又比较多，可能需要适当减少这个比例值。 
  具体要根据训练集来决定。

import timeimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.cluster import MiniBatchKMeans, KMeansfrom sklearn.metrics.pairwise import pairwise_distances_argminfrom sklearn.datasets.samples_generator import make_blobs# 获取数据np.random.seed(0)batch_size = 45centers = [[1, 1], [-1, -1], [1, -1]]n_clusters = len(centers)X, labels_true = make_blobs(n_samples=3000, centers=centers, cluster_std=0.7)# kmeans# Compute clustering with Meansk_means = KMeans(init='k-means++', n_clusters=3, n_init=10)t0 = time.time()k_means.fit(X)t_batch = time.time() - t0# MiniBatchKMeansmbk = MiniBatchKMeans(init='k-means++', n_clusters=3, batch_size=batch_size,                      n_init=10, max_no_improvement=10, verbose=0)t0 = time.time()mbk.fit(X)t_mini_batch = time.time() - t0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

内容跟kmeans很像，只是一般多加一个参数，batch_size。

.

---

三、sklearn中的cluster进行kmeans聚类

参考博客：python之sklearn学习笔记

import numpy as npfrom sklearn import clusterdata = np.random.rand(100, 3) #生成一个随机数据，样本大小为100, 特征数为3k = 3 # 假如我要聚类为3个clusters[centroid, label, inertia] = cluster.k_means(data, k)
1
2
3
4
5

.

---

延伸一：数据如何做标准化

data_zs = 1.0*(data - data.mean())/data.std() #数据标准化
1

.

延伸二：Kmeans可视化案例

来源于博客：使用python-sklearn-机器学习框架针对140W个点进行kmeans基于密度聚类划分

from sklearn.cluster import KMeansfrom sklearn.externals import joblibimport numpyimport timeimport matplotlib.pyplot as pltif __name__ == '__main__':    ## step 1: 加载数据    print "step 1: load data..."    dataSet = []    fileIn = open('./data.txt')    for line in fileIn.readlines():        lineArr = line.strip().split(' ')        dataSet.append([float(lineArr[0]), float(lineArr[1])])    #设定不同k值以运算    for k in range(2,10):        clf = KMeans(n_clusters=k) #设定k  ！！！！！！！！！！这里就是调用KMeans算法        s = clf.fit(dataSet) #加载数据集合        numSamples = len(dataSet)         centroids = clf.labels_        print centroids,type(centroids) #显示中心点        print clf.inertia_  #显示聚类效果        mark = ['or', 'ob', 'og', 'ok', '^r', '+r', 'sr', 'dr', '<r', 'pr']        #画出所有样例点 属于同一分类的绘制同样的颜色        for i in xrange(numSamples):            #markIndex = int(clusterAssment[i, 0])            plt.plot(dataSet[i][0], dataSet[i][1], mark[clf.labels_[i]]) #mark[markIndex])        mark = ['Dr', 'Db', 'Dg', 'Dk', '^b', '+b', 'sb', 'db', '<b', 'pb']        # 画出质点，用特殊图型        centroids =  clf.cluster_centers_        for i in range(k):            plt.plot(centroids[i][0], centroids[i][1], mark[i], markersize = 12)            #print centroids[i, 0], centroids[i, 1]        plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

延伸三：模型保存

from sklearn.externals import joblibjoblib.dump(km_cluster, "/..../train_model.m")km_cluster = joblib.load(".../train_model.m")kmeans_SSE.labels_