kmeans

Esse projeto é uma simples implementação do algoritmo kmeans utilizando apenas numpy. A idéia aqui é mostrar para iniciantes o funcionamento do algoritmo e como seria uma implementação bem básica em python, sem o uso de bibliotecas que trazem o algorimto já pronto.

Requisitos

Você vai precisar instalar as bibliotecas que estão no requirements.txt. Para isso, data pasta do projeto, faça:

pip3 install -r requirements.txt

Como rodar?

Para rodar, basta executar o script kmeans.py que se encontra na raiz do projeto.

python3 kmeans.py

Durante a execução, uma janela com o dataset e os centroids plotados deve mostrar a evolução do algoritmo.

Como colocar uma nova distância?

Para adicionar uma nova distância, basta adicionar uma função no arquivo distance.py, tal qual a distância euclidiana que já se encontra neste mesmo arquivo.

Feito isso, no arquivo kmeans.py, na chamada para a função kmeans, passe a distância que você adicionou.

Ex.: Em um exemplo que você dicionou a distancia mynewdistance no arquivo distance.py

Você precisa alterar a função execute como abaixo:

def execute():
    dataset = load_dataset('flame.txt')
    centroids, history_centroids, belongs_to = kmeans(2, dataset, distance=mynewdistance)
    plot(dataset, history_centroids, belongs_to)

Como colocar um novo dataset?

Para colocar um dataset novo, basta colocar dentro da pasta data. Para que tudo funcione corretamente, você precisa garantir que o dataset seja em formato .txt e que as características sejam separadas por tab. Basta olhar os exemplos que já estão no projeto para ter uma noção.

Uma vez que o dataset foi adicionado, você precisa mudar a atribuição do dataset dentro da função execute.

Ex.: Imagine que você adicionou na pasta data o dataset mynewdataset.txt. Para executar o algoritmo, seria:

def execute():
    dataset = load_dataset('mynewdataset.txt')
    centroids, history_centroids, belongs_to = kmeans(2, dataset, distance=mynewdistance)
    plot(dataset, history_centroids, belongs_to)

### ALERTA!!!

Não versione arquivos de datasets grandes. Os arquivos da pasta data estão versionados nesse projeto, apenas para fins educativos. Normalmente, arquivos de bases de dados NÂO devem ser adicionados ao github.

Como funciona esse algoritmo?

Há uma explicação do funcionamento básico do algoritmo kmeans no arquivo kmeans.py.ipnb. É um jupyter notebook. Se tiver duvida de como abrir um jupyter notebook, abrindo o arquivo no github, é possível ver o conteúdo renderizado.

Espero que esse projeto seja útil.