本文介绍了一种改进的k均值算法，旨在自动确定最佳聚类数目。通过设计损失函数来衡量类别内部样本点的紧密度和类别间的差异，当损失函数在k值减小时达到局部最小，即为最优聚类数。为了避免均值点过于接近导致聚类数目减少，算法采用了随机选择并逐步增加最远距离均值点的方式。在西瓜数据集4.0上应用此算法，结果显示k=3时聚类效果最佳，并给出了相应的代码实现和结果展示。
问题：
试设计一个能自动确定聚类数的改进k均值算法，编程实现并在西瓜数据集4.0上运行。
数据集：
西瓜数据集4.0
数据集描述：
该数据集共有30个样本，每个样本有密度和含糖度两个特征。
思路：
如何确定k的取值：
这里希望每一类别内部样本点距离较小而不同聚类之间的误差较大，所以用：
作为损失函数，其值越小越好，希望取得局部最优点，当值在k时增大，则k=k-1时最优
如何选择较好的k个均值：
随机选取的问题：
若是均值随机选，则很可能寻找到两个距离很近的均值点，在迭代过程中，这两个均值点会逐渐靠近最后重合，使得最后聚类数目减少。
算法思想:
首先随机选取L个均值点，接着根据这L个均值点对样本聚类，减去那些聚类内样本较小的点。接着在剩下的L1个店中随机选取一个均值点，并且寻找距离该点最远的均值点，依次迭代直至选取到K个均值点。
算法流程：
k_means算法：
- 初始化：首先选取k个均值点
- 将样本点划分到距离自己最近的均值点所在类别
- 根据聚类结果更新均值点
- 重复步骤2.3直至均值点不再改变
- 输出聚类结果
结果：
通过对损失函数计算，得到当k=3时，聚类结果最优，聚类结果以及图形化展示如下：
源码 :
损失函数计算：
clu_unique=np.unique(cluster)
Di=[]
D=len(data)
E=0.0
fo
最低0.47元/天 解锁文章
扫一扫
767
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
