
K-means算法及文本聚類實踐
K-Means是常用的聚類算法,與其他聚類算法相比,其時間復(fù)雜度低,聚類的效果也還不錯,這里簡單介紹一下k-means算法,下圖是一個手寫體數(shù)據(jù)集聚類的結(jié)果。
k-means算法需要事先指定簇的個數(shù)k,算法開始隨機選擇k個記錄點作為中心點,然后遍歷整個數(shù)據(jù)集的各條記錄,將每條記錄歸到離它最近的中心點所在的簇中,之后以各個簇的記錄的均值中心點取代之前的中心點,然后不斷迭代,直到收斂,算法描述如下:
上面說的收斂,可以看出兩方面,一是每條記錄所歸屬的簇不再變化,二是優(yōu)化目標變化不大。算法的時間復(fù)雜度是O(K*N*T),k是中心點個數(shù),N數(shù)據(jù)集的大小,T是迭代次數(shù)。
k-means的損失函數(shù)是平方誤差:
其中ωkωk表示第k個簇,u(ωk)u(ωk)表示第k個簇的中心點,RSSkRSSk是第k個簇的損失函數(shù),RSSRSS表示整體的損失函數(shù)。優(yōu)化目標就是選擇恰當?shù)挠涗洑w屬方案,使得整體的損失函數(shù)最小。
k-meams算法的能夠保證收斂,但不能保證收斂于全局最優(yōu)點,當初始中心點選取不好時,只能達到局部最優(yōu)點,整個聚類的效果也會比較差。可以采用以下方法:k-means中心點
1、選擇彼此距離盡可能遠的那些點作為中心點;
2、先采用層次進行初步聚類輸出k個簇,以簇的中心點的作為k-means的中心點的輸入。
3、多次隨機選擇中心點訓(xùn)練k-means,選擇效果最好的聚類結(jié)果
k-means的誤差函數(shù)有一個很大缺陷,就是隨著簇的個數(shù)增加,誤差函數(shù)趨近于0,最極端的情況是每個記錄各為一個單獨的簇,此時數(shù)據(jù)記錄的誤差為0,但是這樣聚類結(jié)果并不是我們想要的,可以引入結(jié)構(gòu)風(fēng)險對模型的復(fù)雜度進行懲罰:
λλ是平衡訓(xùn)練誤差與簇的個數(shù)的參數(shù),但是現(xiàn)在的問題又變成了如何選取λλ了,有研究[參考文獻1]指出,在數(shù)據(jù)集滿足高斯分布時,λ=2mλ=2m,其中m是向量的維度。
另一種方法是按遞增的順序嘗試不同的k值,同時畫出其對應(yīng)的誤差值,通過尋求拐點來找到一個較好的k值,詳情見下面的文本聚類的例子。
我爬取了36KR的部分文章,共1456篇,分詞后使用sklearn進行k-means聚類。分詞后數(shù)據(jù)記錄如下:
使用TF-IDF進行特征詞的選取,下圖是中心點的個數(shù)從3到80對應(yīng)的誤差值的曲線:
從上圖中在k=10處出現(xiàn)一個較明顯的拐點,因此選擇k=10作為中心點的個數(shù),下面是10個簇的數(shù)據(jù)集的個數(shù)。
聚類完成后,我們需要一些標簽來描述簇,聚類完后,相當于每個類都用一個類標,這時候可以用TFIDF、互信息、卡方等方法來選取特征詞作為標簽。關(guān)于卡方和互信息特征提取可以看我之前的文章文本特征選擇,下面是10個類的tfidf標簽結(jié)果。
Cluster 0: 商家 商品 物流 品牌 支付 導(dǎo)購 網(wǎng)站 購物 平臺 訂單
Cluster 1: 投資 融資 美元 公司 資本 市場 獲得 國內(nèi) 中國 去年
Cluster 2: 手機 智能 硬件 設(shè)備 電視 運動 數(shù)據(jù) 功能 健康 使用
Cluster 3: 數(shù)據(jù) 平臺 市場 學(xué)生 app 移動 信息 公司 醫(yī)生 教育
Cluster 4: 企業(yè) 招聘 人才 平臺 公司 it 移動 網(wǎng)站 安全 信息
Cluster 5: 社交 好友 交友 寵物 功能 活動 朋友 基于 分享 游戲
Cluster 6: 記賬 理財 貸款 銀行 金融 p2p 投資 互聯(lián)網(wǎng) 基金 公司
Cluster 7: 任務(wù) 協(xié)作 企業(yè) 銷售 溝通 工作 項目 管理 工具 成員
Cluster 8: 旅行 旅游 酒店 預(yù)訂 信息 城市 投資 開放 app 需求
Cluster 9: 視頻 內(nèi)容 游戲 音樂 圖片 照片 廣告 閱讀 分享 功能
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報考條件詳解與準備指南? ? 在數(shù)據(jù)驅(qū)動決策的時代浪潮下,CDA 數(shù)據(jù)分析師認證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計的實用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實施重大更新。 此次更新旨在確保認 ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預(yù)測分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢預(yù)判? ? 在數(shù)據(jù)驅(qū)動決策的時代,預(yù)測分析作為挖掘數(shù)據(jù)潛在價值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點,而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報考到取證的全攻略? 在數(shù)字經(jīng)濟蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗:捕捉數(shù)據(jù)背后的時間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時間維度的精準切片? ? 在數(shù)據(jù)的世界里,時間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準 ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗:數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準確捕捉數(shù)據(jù)的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對策略? 長短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨特的門控機制,在 ...
2025-07-07統(tǒng)計學(xué)方法在市場調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場調(diào)研是企業(yè)洞察市場動態(tài)、了解消費者需求的重要途徑,而統(tǒng)計學(xué)方法則是市場調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03