K-means聚类算法

# k-means算法对大数据薪资情况的聚类分析 ### 简介 本项目使用python实现机器学习K-means聚类算法，对数据进行聚类并绘图。 数据使用了boss直聘北京市大数据的数据，K-means的两个特征值选取的是每个岗位的最低薪资和最高薪资 初始质心选取了3个，即k=3、 ### 原理 ​ K-means算法属于八大经典的机器学习算法中的其中一种，是一种无监督的聚类算法。其中无监督是机器学习领域中一个专业名词，和有监督是相对的，两者最本质的区别就在于研究的样本是否包含标签。比如猫狗分类这个问题中，猫和狗就是标签。对于聚类，其实是和分类相对应的，其中分类就是之有标签的。而聚类则是只没有标签的，我们需要将这些无标签的数据，按照各自的属性将他们会聚成不同的类别，从而将他们区分开。 ​ 在k-means算法中，存在着质心和簇。在进行算法之前，我们需要人工的指定将数据分为K个簇，并随便选取K个质心。就拿认知实习学习中的例子举例，假如我们又8个数据，分别为a1-a8，我们需要将这八个数据分为三个簇，也就是说k=3。这是我们就需要在a1-a8中随机选取三个数据点作为质心我们将质心记为b11，b12，b13。确定了质心后，我们需要计算a1-a8和三个质心的距离，并将距离最短的归为一类。比如a5到b11距离为2，到b12距离为3，到b13距离为1，那么就将a5和质心b13归为同一个簇。如此一次计算8个数据，并得到三个簇。然后对每个簇中的数据点，计算数据的平均值，作为更新之后的新的质心，记为b21，b22，b23。然后重复以上的步骤，再次计算a1-a8与三个新质心的距离，并将其按最短距离分为三个簇，并再次计算出新的质心。在经过若干次迭代后，三个老质心和三个新质心相同，不在发生改变，那么k-means算法就已经收敛，算法结束。最后得到的三个簇就是通过k-means算法聚类后的数据。 ​ 学习完K-means算法的理论思路后，我们就可以清晰的发现k-means算法的缺点。其一为在处理数据的时候，我们往往需要人工选取k值，规定出所需要的簇。所以就可能存在，我们在拿到了数据，并不知到该分为几类的情况，就导致了错误的分类得不到我们想要的结果。其二为，k-means算法受初始值和离群点的影响非常大。对于初始值，如果我们选取了a1，a2，a3作为初始质心，那么有可能只迭代一次就完成了收敛，但是如果选取a4，a5，a6作为初始质心，那么可能迭代好多次才完成收敛，所以这个初始值影响了迭代次数，造成了稳定性差点缺点。对于离群点，数据中会存在我们人力无法识别出的离群点，这些离群点往往会影响实验的结果，这也造成了其稳定性差的缺点。 ​ 对于代码实现来说，以python为例，我们需要针对数据特点，数据初始质心和迭代后的质心，距离的计算函数（使用欧氏距离），创建聚类中心的函数，和实现聚类迭代的函数进行设计。只需要按理论建模设计以上对应的函数，便可以完成整个K-means模型的建立。模型建立后，还应该使用matplotllib包对得到的结果进行绘制，以得出直观的结果。 ​ 有了模型之后，就需要用到数据采集，我利用了python的爬虫技术，爬取了boss直聘网站中，北京市大数据岗位的招聘信息，约有150多条。每条岗位信息中，存在一个该岗位的最低工资标准和该岗位的最高工资标准。我们将最高工资标准和最低工资便准作为数据的两个特征，以此去应用我们之前搭建的K-means模型。 ### 项目结构 - / - data --- 用于存放爬虫所需要的数据和K-means算法所需要的数据 - res --- 用于存放K-means算法每一次迭代的图像 - src --- 用于存放K-means和爬虫的源代码 ### 源码  ### 数据集 - [聚类数据集下载](https://gitee.com/broky-dev/k-means/raw/master/data/BossData.xls) - 数据集中采用了最小薪资水平和最大薪资水平两个特征  ### 聚类结果 - 总览  - 第一次迭代  - 第二次迭代  - 第三次迭代  - 第四次迭代  - 第五次迭代  - 第六次迭代  - 第七次迭代，已收敛