非監(jiān)督學習之k-means

K-means通常被稱為勞埃德算法，這在數(shù)據(jù)聚類中是最經(jīng)典的，也是相對容易理解的模型。算法執(zhí)行的過程分為4個階段。

1、從數(shù)據(jù)中選擇k個對象作為初始聚類中心;

2、計算每個聚類對象到聚類中心的距離來劃分；

3、再次計算每個聚類中心

4、2~3步for循環(huán)，直到達到最大迭代次數(shù)，則停止，否則，繼續(xù)操作。

5、確定最優(yōu)的聚類中心

歐氏距離：

步驟圖：

K-Means主要最重大的缺陷——都和初始值有關

• K是事先給定的，這個K值的選定是非常難以估計的。很多時候，事先并不知道給定的數(shù)據(jù)集應該分成多少個類別才最合適。（ISODATA算法通過類的自動合并和分裂，得到較為合理的類型數(shù)目K）
  K-Means算法需要用初始隨機種子點來搞，這個隨機種子點太重要，不同的隨機種子點會有得到完全不同的結果。（K-Means++算法可以用來解決這個問題，其可以有效地選擇初始點）

---

看到這里，你會說，K-Means算法看來很簡單，而且好像就是在玩坐標點，沒什么真實用處。而且，這個算法缺陷很多，還不如人工呢。是的，前面的例子只是玩二維坐標點，的確沒什么意思。但是你想一下面的代碼實例：

使用K-Means圖片壓縮 代碼案例

import numpy as np import matplotlib.pyplot as plt %matplotlib inline#需是二維from sklearn.cluster import KMeans import warnings warnings.filterwarnings('ignore') bird = plt.imread('./bird_small.png') bird.shape# (128, 128, 3)#轉為二維 X = bird.reshape(-1,3) kmeans =KMeans(4) kmeans.fit(X) y_ = kmeans.predict(X) y_

array([0, 0, 0, …, 1, 1, 1])

#圖片像素被分成了四類 ，四個聚類中心 #對圖片中像素進行聚類，聚類中心就是這些像素的中心，當然也是像素值 colors = kmeans.cluster_centers_ colors

array([[0.79367614, 0.6389619 , 0.41842377],
[0.12838763, 0.13014919, 0.12066123],
[0.9112854 , 0.8586482 , 0.74024725],
[0.48819345, 0.40055096, 0.3231333 ]], dtype=float32)

colors

array([[0.79367614, 0.6389619 , 0.41842377],
[0.12838763, 0.13014919, 0.12066123],
[0.9112854 , 0.8586482 , 0.74024725],
[0.48819345, 0.40055096, 0.3231333 ]], dtype=float32)

bird2 = colors[y_] plt.imshow(bird2.reshape(128,128,3))

kmeans =KMeans(256) kmeans.fit(X)y_ = kmeans.predict(X)colors = kmeans.cluster_centers_ # plt.figure(figsize=(8,8)) bird3 = colors[y_] plt.imshow(bird3.reshape(128,128,3))

總結

以上是生活随笔為你收集整理的【机器学习】K-Means（非监督学习）学习及实例使用其将图片压缩的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。