K 均值聚类 | JavaScript 编程 | 数据科学

简介

在这个实验中，我们将探索 JavaScript 中的 k 均值聚类算法。本实验的目的是学习如何使用 k 均值算法根据相似性将数据分组为 k 个聚类。我们将逐步实现该算法，并将其应用于一个示例数据集，以了解它是如何工作的。

JavaScript 中 k 均值聚类算法的实现

要开始使用 k 均值聚类算法进行编码练习，请打开终端/SSH 并输入 node。此算法使用 k 均值聚类算法将给定数据分组为 k 个聚类。

实现过程中使用了以下步骤：

使用 Array.from() 和 Array.prototype.slice() 为聚类 质心、距离 和 类别 初始化适当的变量。
使用 while 循环重复分配和更新步骤，只要前一次迭代中有变化，由 itr 指示。
使用 Math.hypot()、Object.keys() 和 Array.prototype.map() 计算每个数据点与质心之间的欧几里得距离。
使用 Array.prototype.indexOf() 和 Math.min() 找到最近的质心。
使用 Array.from()、Array.prototype.reduce()、parseFloat() 和 Number.prototype.toFixed() 计算新的质心。

const kMeans = (data, k = 1) => {
  const centroids = data.slice(0, k);
  const distances = Array.from({ length: data.length }, () =>
    Array.from({ length: k }, () => 0)
  );
  const classes = Array.from({ length: data.length }, () => -1);
  let itr = true;

  while (itr) {
    itr = false;

    for (let d in data) {
      for (let c = 0; c < k; c++) {
        distances[d][c] = Math.hypot(
          ...Object.keys(data[0]).map((key) => data[d][key] - centroids[c][key])
        );
      }
      const m = distances[d].indexOf(Math.min(...distances[d]));
      if (classes[d] !== m) itr = true;
      classes[d] = m;
    }

    for (let c = 0; c < k; c++) {
      centroids[c] = Array.from({ length: data[0].length }, () => 0);
      const size = data.reduce((acc, _, d) => {
        if (classes[d] === c) {
          acc++;
          for (let i in data[0]) centroids[c][i] += data[d][i];
        }
        return acc;
      }, 0);
      for (let i in data[0]) {
        centroids[c][i] = parseFloat(Number(centroids[c][i] / size).toFixed(2));
      }
    }
  }

  return classes;
};

要测试该算法，请使用数据数组和所需的聚类数 k 调用 kMeans() 函数。该函数返回每个数据点的类别分配数组。

kMeans(
  [
    [0, 0],
    [0, 1],
    [1, 3],
    [2, 0]
  ],
  2
); // [0, 1, 1, 0]

总结

恭喜你！你已经完成了 k 均值聚类实验。你可以在 LabEx 中练习更多实验来提升你的技能。

在 JavaScript 中实现 K 均值聚类

简介

JavaScript 中 k 均值聚类算法的实现

总结