我想用弯头方法检查k的最佳数量。我没有使用scikit-learn库。我的k-means从头开始编码,现在我很难搞清楚如何在python中编写elbow方法。我是初学者。
这是我的k-means代码:
def cluster_init(array, k):
initial_assgnm = np.append(np.arange(k), np.random.randint(0, k, size=(len(array))))[:len(array)]
np.random.shuffle(initial_assgnm)
zero_arr = np.zeros((len(initial_assgnm), 1))
for indx, cluster_assgnm in enumerate(initial_assgnm):
zero_arr[indx] = cluster_assgnm
upd_array = np.append(array, zero_arr, axis=1)
return upd_array
def kmeans(array, k):
cluster_array = cluster_init(array, k)
while True:
unique_clusters = np.unique(cluster_array[:, -1])
centroid_dictonary = {}
for cluster in unique_clusters:
centroid_dictonary[cluster] = np.mean(cluster_array[np.where(cluster_array[:, -1] == cluster)][:, :-1], axis=0)
start_array = np.copy(cluster_array)
for row in range(len(cluster_array)):
cluster_array[row, -1] = unique_clusters[np.argmin(
[np.linalg.norm(cluster_array[row, :-1] - centroid_dictonary.get(cluster)) for cluster in unique_clusters])]
if np.array_equal(cluster_array, start_array):
break
return centroid_dictonary
这是我为肘法所尝试的:
cost = []
K= range(1,239)
for k in K :
KM = kmeans(x,k)
print(k)
KM.fit(x)
cost.append(KM.inertia_)
但是我收到以下错误
KM.fit(X)
AttributeError:'dict'对象没有属性'fit'
如果要从头开始计算弯头值,则需要计算当前聚类分配的惯量。为此,您可以计算粒子惯量的总和。来自数据点的粒子惯性是从其当前位置到最近中心的距离。如果你有一个为你计算的函数(在scikit中学习这个函数对应于pairwise_distances_argmin_min
)你可以做
labels, mindist = pairwise_distances_argmin_min(
X=X, Y=centers, metric='euclidean', metric_kwargs={'squared': True})
inertia = mindist.sum()
如果你真的想要编写这个函数,你会做的是在X中的每一行x上循环,找到dist(x,y)的Y中所有y的最小值,这将是你对x的惯性。这种计算粒子惯性的天真方法是O(nk),因此您可以考虑使用库函数。