【机器学习算法】K均值（K-means）

非监督算法是机器学习研究的一大领域，它适用于不带标签的样本数据，采取一定的算法，将样本分成自动分类成不同的簇。

K均值（K-meas）

  K均值算法接收两个输入，一个是K，表示簇的数量，另一个是不带标签的训练集{$x_1,x2,..x_m$}。
  算法过程如下：

1. 随机初始化K个聚类中心${\mu }_1,{\mu }_2,...{\mu }_K$
2. 遍历每个样本，对于每个样本，计算其与K个聚类中心的距离，将样本划分到距离最短的中心的簇内。
3. 遍历每个聚类中心${\mu }_k$,计算被划分到簇${\mu }_k$的样本的均值作为${\mu }_k$的新位置。

  令$c^{(i)}$表示样本i被划分到的簇的下标，则损失函数可以定义为：
$$J(c^{(i)},...,c^{(m)},{\mu }_1,...,{\mu }_k)=\frac{1}{m}||x^{(i)}-{\mu }_{c^{(i)}}|{|}^2........(1)$$
  我们的目标就是最小化(1)，而算法步骤2和3的过程就是在最小化损失函数的过程，其本质是EM算法的迭代过程。

距离的计算

  通常使用欧式距离 $d=\sqrt{\sum _{i=1}^m(x^{(i)}-y^{(i)}{)}^2}$。

聚类中心初始化

  方法：通常随机取K个样本作为初始聚类中心。

参数K的选择

  肘部原则：画出K从1开始的损失函数值的图像，一开始，图像会下降地比较快，然后趋于平缓，整个形状看起来像人的手肘，我们所要做的就是选取肘部对应的K作为我们的参数K。因为选取它前面的参数的话，损失函数值太高，选取它后面的参数的话，损失函数值变化的量又太少，因此肘部可能是一个合适的参数。然而画出来的图像不一定总是存在肘部，也有可能是平滑的，不过也是一种值得尝试的方法。
  另一种方法是根据后续的目的来决定K参数的取值。

K-means++算法

  是K-means的一个改进算法。在K-means中，对于聚类中心的初始化使用随机选取K个样本作为聚类中心，而K-means++按照以下的思路选取：

1. 随机选取第一个聚类中心。
2. 如果已经选取了n个聚类中心，则在选取第n+1个时，距离当前n个聚类中心越远的点会有更高的几率被选为第n+1个聚类中心。

  这是一种符合直觉的选取方式，K-means++在这一点上做了改进，其余的和K-means没有任何区别。

ISODATA算法

  ISODATA算法，全称是迭代自组织数据分析法。它针对K均值中K需要手动选择这一问题做了改进，其核心思想是：若属于某个类别的样本数少于某个阈值，则去除该类别。若属于某个类别的样本数大于某个阈值，则将该类别分类为两个类别。
  这样我们不用指定K的大小，算法就可以为我们自动选择一个合适的K出来。当然除此之外，我们有了更多的超参数，包括每个类所需要的最小样本数$N_{min}$，最大方差$Sigma$，两个聚类中心所允许的最小距离$D_{min}$，以及预期聚类中心$K_o$，通常最终输出的聚类中心是在$[K_o/2,2K_o]$的范围之间。

总结

优点：易于实现，非常简单且使用广泛
缺点：可能收敛于局部最小值，在大规模数据下收敛慢，对初始聚类中心的位置较为敏感，参数K需要手动选择。