C# |
您所在的位置：网站首页 › kmeans聚类算法简单例题讲解 › C# |
C#
|
本章分享一下如何使用C#实现KMeans算法。在讲解代码前先清晰两个小问题： 什么是聚类? 聚类是将数据点根据其相似性分组的过程，它有很多的应用场景，比如：图像分割、文本分类、推荐系统等等。在这些应用场景里面我们需要将数据点分成多个簇，每个簇内的数据点具有相似的特征，以便于我们能够更简单的处理数据。 什么是KMeans? KMeans算法是一种常用的聚类算法，它可以将数据点分组成具有相似特征的簇。 示例代码话不多说，我们直接上代码： /// /// KMeans算法类 /// public static class KMeans { /// /// 使用 KMeans 算法对 Point 数组进行聚类 /// /// 待聚类的 Point 数组 /// 聚类的个数 /// 聚类的结果 public static List Cluster(PointD[] points, int k) { // 初始化簇心的位置 Random random = new Random(); PointD[] centroids = new PointD[k]; for (int i = 0; i clusters[i] = new List(); } foreach (PointD point in points) { int closest = 0; var closestDistance = Distance(point, centroids[0]); for (int i = 1; i closest = i; closestDistance = distance; } } clusters[closest].Add(point); } // 重新计算簇心位置 bool moved = true; while (moved) { moved = false; for (int i = 0; i centroids[i] = newCentroid; moved = true; } } if (moved) { // 重新分配每个点到最近的簇心 for (int i = 0; i int closest = 0; var closestDistance = Distance(point, centroids[0]); for (int i = 1; i closest = i; closestDistance = distance; } } clusters[closest].Add(point); } } } // 返回每个簇的点集合 List result = new List(); for (int i = 0; i var dx = a.X - b.X; var dy = a.Y - b.Y; return Math.Sqrt(dx * dx + dy * dy); } private static PointD Centroid(List points) { double totalX = 0; double totalY = 0; foreach (PointD point in points) { totalX += point.X; totalY += point.Y; } var centerX = totalX / points.Count; var centerY = totalY / points.Count; return new PointD(centerX, centerY); } }我们这里定义了一个双进度点的结构体PointD: public struct PointD { public PointD(double x, double y) { X = x; Y = y; } public double X { get; set; } public double Y { get; set; } public override bool Equals(object obj) { if (obj == null || GetType() != obj.GetType()) { return false; } PointD other = (PointD)obj; return X.Equals(other.X) && Y.Equals(other.Y); } } 实现思路接下来详细讲解一下KMeans算法的思路。 KMeans类中包含名为Cluster的静态方法。该方法接收两个参数，【待聚类的Point数组】和【聚类的个数】。 第一步是要随机初始化簇心的位置（使用Random）。 第二步要将每个数据点分配到距离其最近的簇心中。思路是：对于每个数据点都计算其与所有簇心的距离（使用名为Distance的私有静态方法），找到最近的簇心，并将该数据点分配到该簇中。 第三步要重新计算每个簇心的位置（使用静态方法Centroid）。每个簇都计算其所有数据点的中心点作为该簇的新簇心。如果新簇心和旧簇心不同，则说明簇心已经发生了移动，我们需要重新分配每个数据点到距离其最近的簇心中。 第四步返回聚类结果，也就是每个簇内的数据点集合。 由于我们在第一步的时候就是用的Random来随机选择初始簇心，因此多次聚类的结果可能不一样。 测试结果测试代码如下： [TestClass] public class KMeansTest { [TestMethod] public void TestCluster() { PointD[] points = new PointD[] { new PointD(1, 2), new PointD(2, 1), new PointD(3, 2), new PointD(2, 3), new PointD(5, 6), new PointD(6, 5), new PointD(7, 6), new PointD(6, 7), }; int k = 3; List clusters = KMeans.Cluster(points, k); foreach (List cluster in clusters) { Console.WriteLine("Cluster:"); foreach (PointD point in cluster) { Console.WriteLine(" ({0}, {1})", point.X, point.Y); } } } }连续三次执行的结果如下： 通过本章的代码可以轻松实现KMeans算法对数据聚类。如果您觉得本文对您有所帮助，请不要吝啬您的点赞和评论，提供宝贵的反馈和建议，让更多的读者受益。 |
【本文地址】
今日新闻 |
推荐新闻 |