如何分析K-means Clustering

如何分析K-means Clustering ，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

一：算法

K-means 算法是机器学习 聚类算法中很常用，也是最基本的一种算法。聚类算法属于无监督学习算法。算法的步骤分为以下两步：1，根据分组大小K的值，找出K个中心点，而这时候其他点也根据距离中心点的距离划分给这个中心点。2，找出每个cluster最优的中心点，重新分配点，并迭代。

二：Spark MLlib

Spark MLlib 提供了K－means算法的实现。

1. 数据来源

   数据来源于KDD CUP网站，这些数据是网络连接的数据，下载

找到data -> kddcup.data.zip 并下载。

数据每行格式如下：

0,tcp,http,SF,215,45076,    0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,1,1,    0.00,0.00,0.00,0.00,1.00,0.00,0.00,0,0,0.00,    0.00,0.00,0.00,0.00,0.00,0.00,0.00,normal.

除了最后一个为label外，其余的都是features。label可能并不准确，这些label仅仅标示能发现的异常，但是k-means却能找到未知的异常。

2.读取数据

    val rawDataPath = "Your kddcup.data.txt Path"    val rawData = sc.textFile(rawDataPath)    val labelsAndData = rawData.flatMap { line =>      val buffer = line.split(',').toBuffer      if (buffer.length == 42) {        buffer.remove(1, 3)        val label = buffer.remove(buffer.length - 1)        val vector = Vectors.dense(buffer.map(_.toDouble).toArray)        Some(label, vector)      } else {        None      }    }

数据除掉了第2，3，4列，最后一列数据。

3. K-Means算法

     val kmeans = new KMeans()      kmeans.setK(k)   //默认的K为2      kmeans.setRuns(10) //找寻中心点运行次数      kmeans.setEpsilon(1.0e-6) //找寻中心点每次变化距离，越小越远      val model = kmeans.run(data)

使用生成的model并聚类

val clusterLabelCount = labelsAndData.map { case (label,datum) =>    val cluster = model.predict(datum)    (cluster,label)                                 }.countByValue                                        clusterLabelCount.toSeq.sorted.foreach {case ((cluster,label),count) =>println(f"$cluster%1s$labels$count%8s")}

4.如何选择K

K的选择是个问题，正常说来，K值越大，聚类的效果越好。想象下，如果每个点都是单独的一个类。。

另外，我们可以使用其他点距离中心点的距离来查看聚类的效果：

    def distance(a: Vector, b: Vector) = {      math.sqrt(a.toArray.zip(b.toArray).map(p => p._1 - p._2).map(p => p*p).sum)    }    def distToCentroid(datum: Vector, model: KMeansModel) = {      val cluster = model.predict(datum)      val centroid = model.clusterCenters(cluster)      distance(centroid, datum)    }    def clusteringScore(data: RDD[Vector], k: Int) = {      val kmeans = new KMeans()      kmeans.setK(k)      kmeans.setRuns(10)      kmeans.setEpsilon(1.0e-6)      val model = kmeans.run(data)      data.map(datum => distToCentroid(datum, model)).mean()    }    (30 to 150 by 10 ).map(k => clusteringScore(data,k)).foreach(println)

有了评估，我们可以依次查看K的大小对聚类的影响。

关于如何分析K-means Clustering 问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注行业资讯频道了解更多相关知识。