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。
This tutorial is from open-source community. Access the source code
💡 本教程由 AI 辅助翻译自英文原版。如需查看原文,您可以 切换至英文原版
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。
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:
Array.from()
和 Array.prototype.slice()
为聚类 质心
、距离
和 类别
初始化适当的变量。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。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。Array.prototype.indexOf()
和 Math.min()
找到最近的质心。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]
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。