t1 = time.time() 
centroids = k_means(signals, 100, 100) 
t2 = time.time() 
print("Took {} seconds".format(t2 - t1)) 

耗时 3.5 分钟多一点。很不错!但我们还想完成得更快。

k-means++ 实现

我们的下一?实现应用了 k-means++ 算法。这个算法的目标是选择更优的初始质心。让我们看看这种优化办法有没有效……

def init_centroids(data, num_clust): 
   centroids = np.zeros([num_clust, data.shape[1]]) 
   centroids[0,:] = data[np.random.randint(0, data.shape[0], 1)] 
   for i in range(1, num_clust): 
       D2 = np.min([np.linalg.norm(data - c, axis = 1)**2 for c in centroids[0:i, :]], axis = 0) 
       probs = D2/D2.sum() 
       cumprobs = probs.cumsum() 
       ind = np.where(cumprobs >= np.random.random())[0][0] 
       centroids[i, :] = np.expand_dims(data[ind], axis = 0) 
   return centroids 
def k_means(data, num_clust, num_iter): 
   centroids = init_centroids(data, num_clust) 
   last_centroids = centroids 
   for n in range(num_iter): 
       closest = closest_centroids(data, centroids) 
       centroids = move_centroids(data, closest, centroids) 
       if not np.any(last_centroids != centroids): 
           print("Early finish!") 
           break 
       last_centroids = centroids 
   return centroids 

t1 = time.time() 
centroids = k_means(signals, 100, 100) 
t2 = time.time() 
print("Took {} seconds".format(t2 - t1)) 

并行实现

import ipyparallel as ipp 	
			
 4/6   首页 上一页 2 3 4 5 6 下一页 尾页
	
			

　　推荐阅读
　　Git的4个阶段的撤销更改命令分析
            Tech Neo技巧沙龙 | 11月25号，九州云/ZStack与您一路商量云时代收集界线治理实践
            固然 git 出生距今已有 12 年之久，网上各类关于 git  的介绍文┞仿数不堪数，然则依然有很多人(包含我本>>>详细阅读


本文标题：如何为时间序列数据优化K-均值聚类速度？
地址：http://www.17bianji.com/lsqh/38787.html
 1/2    1