聚类 (一)

聚类(Clustering)

定义

　　聚类试图将数据中的样本划分为若干个通常是不相交的子集，每个子集称为一个“簇”(cluster)。通过这样的划分，每个簇可能对应于一些潜在的概念(类别)，如“浅色瓜”“深色瓜”，“有籽瓜”“无籽瓜”，甚至“本地瓜”“外地瓜”等；需要说明的是，这类概念对聚类算法而言事先是未知的，聚类过程仅能自动形成簇结构，簇所对应的概念语义需由使用者来把握和命名。
　　聚类既能作为一个单独过程，用于寻找数据内在的分布结构，也可作为分类等其他学习任务的先驱过程。例如，在一些商业应用中需对新用户的类型进行判别，但定义“用户类型”对商家来说却可能不太容易，此时往往可先对用户数据进行聚类，根据聚类结果将每个簇定义为一个类，然后再基于这些类训练分类模型，用于判别新用户的类型。

性能度量

　　聚类性能度量亦称聚类“有效性指标”(validity index)。与监督学习中的性能度量作用相似，对聚类结果，我们需要通过某种性能度量来评估其好坏；另一方面，若明确了最终将要使用的性能度量，则可直接将其作为聚类过程的优化目标，从而更好地得到符合要求的聚类结果。
　　聚类性能度量大致有两类，一类是将聚类结果与某个“参考模型”(reference model)进行比较，成为“外部指标”(external index)；另一类是直接考察聚类结果而不利用任何参考模型，称为“内部指标”(internal index)。

定义

　　$a=|SS|(样本在，结果在)$
　　$b=|SD|(样本在，结果不在)$
　　$c=|DS|(样本不在，结果在)$
　　$d=|DD|(样本不在，结果不在)$
　　
　　下面是一些常用的聚类性能度量外部指标：

• Jaccard系数(Jaccard Coefficient，简称JC)
  

  $$JC=\frac{a}{a+b+c}$$

• FM指数(Fowlkes and Mallows Index，简称FMI)
  

  $$FMI=\sqrt{\frac{a}{a+b}\cdot\frac{a}{a+c}}$$

• Rand指数(Rand Index，简称RI)
  

  $$RI=\frac{2(a+d)}{m(m-1)}$$

　　显然上述性能度量的结果值均在[0, 1]之间，值越大说明结果越好。

距离计算

　　给定样本$x_i=(x_{i1};x_{i2};...;x_{in})$与$x_j=(x_{j1};x_{j2};...;x_{jn})$，最常用的是“闵可夫斯基距离”(Minkowski distance)
　　

$$dist_{mk}(x_i,x_j)=(\sum_{u=1}^{n}|x_{iu}-x_{ju}|^p)^{\frac{1}{p}}$$
　　 当 $p=1$时，闵可夫斯基距离即曼哈顿距离(Manhattan distance)
　　 $$dist_{man}(x_i,x_j)=||x_i-x_j||_1=\sum_{u=1}^n|x_{iu}-x_{ju}|$$
　　 当 $p=2$时，闵可夫斯基距离即欧式距离(Euclidean distance)
　　 $$dist_{ed}(x_i,x_j)=||x_i-x_j||_2=\sqrt{\sum_{u=1}^n|x_{iu}-x_{ju}|^2}$$
　　 另外当 $p->\infty$时，得到切比雪夫距离。

原型聚类

k均值算法(k-means)

　　给定样本集$D=\{x_1,x_2,...,x_m\}$，“k均值”算法针对聚类所得簇划分$C=\{C_1,C_2,...,C_k\}$最小化平方误差
　　

$$E=\sum_{i=1}^k\sum_{x\in{C_i}}||x-u_i||_2^2$$
　　
　　其中 $u_i=\frac{1}{|C_i|}{\sum_{x\in{C_i}}}x$是簇 $C_i$的均值向量，直观来看，式子在一定程度上刻画了簇内样本围绕簇均值向量的紧密程度， $E$值越小则簇内样本相似度越高。
　　

　　这是包含了30个西瓜的西瓜数据集。
　　给出k均值算法的伪代码：
　　
　　给出$k=3$时候k-means结果：
　　

学习向量量化(Learning Vector Quantization)

　　与k均值算法类似，“学习向量量化”(LVQ)也是试图找到一组原型向量来刻画聚类结构，但与一般聚类算法不同的是，LVQ假设数据样本带有类别标记，学习过程利用样本的这些监督的信息来辅助聚类。
　　给定样本集$D=\{(x_1,y_1),(x_2,y_2),...,(x_m,y_m)\}$，每个样本$x_j$是由$n$个属性描述的特征向量$(x_{j1};x_{j2};...;x_{jn}),y_j\in{Y}$是样本$x_j$的类别标记。LVQ的目标是学得一组$n$维原型向量$\{p_1,p_2,...,p_q\}$，每个原型向量代表一个聚类簇，簇标记为$t_i\in{Y}$。
　　给出学习向量量化的伪代码：
　　

　　显然LVQ关键代码是第6-10行，即如何更新原型向量。直观上看，对样本 $x_j$，若最近的原型向量 $p_{i*}$与 $x_j$的标记相同，则令 $p_{i*}$向 $x_j$方向靠拢：
　　 $$p^{'}=p_{i*}+\eta\cdot(x_j-p_{i*})$$
　　此时 $p^{'}$与 $x_j$之间的距离为:
　　 $$||p^{'}-x_j||_2=(1-\eta)\cdot||p_{i*}-x_j||_2$$
　　令学习率 $\eta\in(0,1)$，则原型向量 $p_{i*}$在更新为 $p^{'}$之后将更接近 $x_j$。
　　给出 $q=5$时候LVQ结果：
　　

高斯混合聚类

　　与k均值、LVQ用原型向量来刻画聚类结构不同，高斯混合(Mixture-of-Gaussian)聚类采用概率模型来表达聚类原型。
　　给出高斯混合聚类的伪代码：
　　

　　给出 $k=3$时候高斯混合聚类结果：
　　
　　

密度聚类

定义

　　密度聚类亦称为“基于密度的聚类”(density-based clustering)，此类算法假设聚类结构能够通过样本分布的紧密程度确定。通常情况下，密度聚类算法从样本密度的角度来考察样本之间的可连接性，并基于可连接样本不断扩展聚类簇以获得最终的聚类结果。

DBSCAN聚类算法

　　DBSCAN是一种著名的密度聚类算法，全称为”Density-Based Spatial Clustering of Applications with Noise”，它基于一组“邻域”(neighborhood)参数($\epsilon$, $MinPts$)来刻画样本分布的紧密程度。给定数据集$D=\{x_1,x_2,...,x_m\}$,定义下面几个概念：

• $\epsilon$-邻域：对$x_j\in{D}$，其$\epsilon$-邻域包含样本集$D$中与$x_j$的距离不大于$\epsilon$的样本，即$N_{\epsilon}(x_j)=\{x_i\in{D}|dist(x_i,x_j)\le\epsilon\}$；
• 核心对象(core object)：若$x_j$的$\epsilon$-邻域至少包含$MinPts$个样本，即$|N_{\epsilon}(x_j)|\ge MinPts$，则$x_j$是一个核心对象；
• 密度直达(directly density-reachable)：若$x_j$位于$x_i$的$\epsilon$-邻域中，且$x_i$是核心对象，则称$x_j$由$x_i$密度直达；
• 密度可达(density-connected)：对$x_i$与$x_j$，若存在样本序列$p_1,p_2,...,p_n$，其中$p_1=x_i,p_n=x_j$且$p_{i+1}$由$p_i$密度直达，则称$x_j$由$x_i$密度可达；
• 密度相连(density-connected)：对$x_i$与$x_j$，若存在$x_k$使得$x_i$与$x_j$均有$x_k$密度可达，则称$x_i$与$x_j$密度相连。
  　　

　　上图为DBSN定义的基本概念($MinPts=3$)：虚线显示出$\epsilon$-邻域，$x_1$是核心对象，$x_2$由密度$x_1$直达，$x_3$由$x_1$密度可达，$x_3$与$x_4$密度相连。
　　基于这些概念，DBSCAN将“簇”定义为：有密度可达关系导出的最大的密度相连样本集合。
　　给出DBSCAN算法的伪代码：
　　

　　给出DBSCAN算法聚类结果：
　　
　　上图为 $(\epsilon=0.11,MinPts=5)$生成聚类簇的先后情况。核心对象，非核心对象，噪声样本分别用实心圆，空心圆，星号表示，红色虚线框显示出簇划分。

层次聚类

　　层次聚类(hierarchical clustering)试图在不同层次对数据集进行划分，从而形成树形聚类结构，数据集的划分可采用“自底向上”的聚合策略，也可采用“自顶向下”的分拆策略。

AGNES(Hausdorff distance)

　　AGNES是一种采用自底向上聚合策略的层次聚类算法。它先将数据集中的每个样本看作一个初始聚类簇，然后在算法运行的每一步中找出距离最近的两个聚类簇进行合并，该过程不断重复，直至达到预设的聚类簇个数。给定聚类簇$C_i$与$C_j$，可通过下面的式子来计算距离：
　　

$$最小距离：d_{min}(C_i,C_j)=\min_{x\in{C_i},z\in{C_j}}dist(x,z)$$ $$最大距离：d_{max}(C_i,C_j)=\max_{x\in C_i,z\in C_j}dist(x,z)$$ $$平均距离d_{avg}(C_i,C_j)=\frac{1}{|C_i||C_j|}\sum_{x\in C_i}\sum_{z\in C_j}dist(x,z)$$

　　当聚类簇距离由$d_{min}$、$d_{max}$或$d_{avg}$计算时AGNES算法被相应称为“单链接”(single-linkage)、“全链接”(complete-linkage)或“均链接”(average-linkage)算法。
　　下面是AGNES算法的示意图：
　　

　　给出AGNES算法的伪代码：
　　
　　给出AGNES算法的聚类结果：
　　

注：博客所有资料都摘自周志华老师的西瓜书