1.7 机器学习——Kmeans算法

实验目的

学习sklearn模块中的KMeans算法

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

实验环境

• Linux Ubuntu 16.04
• Python 3.6
• Anaconda 4
• IPython Notebook

  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

  实验步骤

  1.打开终端模拟器，切换到/data目录下，使用wget命令下载实验数据

  1. cd /data
  2. wget http://192.168.1.100:60000/allfiles/sklearn/protein.txt

2.开启jupyter notebook

1. jupyter notebook —ip=’127.0.0.1’

3.创建一个 .ipynb文件

数据的读入

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

数据理解

5.查看protein的描述性统计

6.查看protein的列名

7.用.shape方法可以读取矩阵的形状

数据规整化处理

8.导入sklearn模块中的preprocessing函数

数据建模

9.导入sklearn模块中的KMeans方法

10.导入Matplotlib模块

11.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

  12.利用.fit()方法对sprotein_scaled进行模型拟合

  
  查看模型

  13.打印输出myKmeans模型

  
  预测模型

  14.使用.predict方法，用训练好的模型进行预测

  
  结果输出

  15.编写print_kmcluster函数并输出结果

  
  至此，实验结束！