机器学习算法（聚类算法）—K-Means算法

K-Means首先随机初始化k个聚类中心，通过迭代的方式不断调整聚类中心，知道k个聚类中心不再改变为之。在K-Means算法中，和K-近邻算法一样，这里的K的取值和相似性的度量都是很重要的。

一、聚类算法的简介

    聚类算法是一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。聚类算法与分类算法最大的区别是：聚类算法是无监督的学习算法，而分类算法属于监督的学习算法。

    在聚类算法中根据样本之间的相似性，将样本划分到不同的类别中，对于不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。

二、K-Means算法的概述

   基本K-Means算法的思想很简单，事先确定常数K，常数K意味着最终的聚类类别数，首先随机选定初始点为质心，并通过计算每一个样本与质心之间的相似度(这里为欧式距离)，将样本点归到最相似的类中，接着，重新计算每个类的质心(即为类中心)，重复这样的过程，知道质心不再改变，最终就确定了每个样本所属的类别以及每个类的质心。由于每次都要计算所有的样本与每一个质心之间的相似度，故在大规模的数据集上，K-Means算法的收敛速度比较慢。

三、K-Means算法的流程

• 初始化常数K，随机选取初始点为质心
• 重复计算一下过程，直到质心不再改变
  • 计算样本与每个质心之间的相似度，将样本归类到最相似的类中
  • 重新计算质心
• 输出最终的质心以及每个类

四、K-Means算法的实现

    对数据集进行测试

原始数据集

MATLAB代码

主程序

[plain] view plain copy

1. %% input the data  
2. A = load('testSet.txt');  
3.   
4. %% 计算质心  
5. centroids = kMeans(A, 4);  

随机选取质心

[plain] view plain copy

1. %% 取得随机中心  
2. function [ centroids ] = randCent( dataSet, k )  
3.     [m,n] = size(dataSet);%取得列数  
4.     centroids = zeros(k, n);  
5.     for j = 1:n  
6.         minJ = min(dataSet(:,j));  
7.         rangeJ = max(dataSet(:,j))-min(dataSet(:,j));  
8.         centroids(:,j) = minJ+rand(k,1)*rangeJ;%产生区间上的随机数  
9.     end  
10. end  

计算相似性

[plain] view plain copy

1. function [ dist ] = distence( vecA, vecB )  
2.     dist = (vecA-vecB)*(vecA-vecB)';%这里取欧式距离的平方  
3. end  

kMeans的主程序

[plain] view plain copy

1. %% kMeans的核心程序，不断迭代求解聚类中心  
2. function [ centroids ] = kMeans( dataSet, k )  
3.     [m,n] = size(dataSet);  
4.     %初始化聚类中心  
5.     centroids = randCent(dataSet, k);  
6.     subCenter = zeros(m,2);%做一个m*2的矩阵，第一列存储类别，第二列存储距离  
7.     change = 1;%判断是否改变  
8.     while change == 1  
9.         change = 0;  
10.         %对每一组数据计算距离  
11.         for i = 1:m  
12.             minDist = inf;  
13.             minIndex = 0;  
14.             for j = 1:k  
15.                  dist= distence(dataSet(i,:), centroids(j,:));  
16.                  if dist < minDist  
17.                      minDist = dist;  
18.                      minIndex = j;  
19.                  end  
20.             end  
21.             if subCenter(i,1) ~= minIndex  
22.                 change = 1;  
23.                 subCenter(i,:)=[minIndex, minDist];  
24.             end          
25.         end  
26.         %对k类重新就算聚类中心  
27.           
28.         for j = 1:k  
29.             sum = zeros(1,n);  
30.             r = 0;%数量  
31.             for i = 1:m  
32.                 if subCenter(i,1) == j  
33.                     sum = sum + dataSet(i,:);  
34.                     r = r+1;  
35.                 end  
36.             end  
37.             centroids(j,:) = sum./r;  
38.         end  
39.     end  
40.       
41.     %% 完成作图  
42.     hold on  
43.     for i = 1:m  
44.         switch subCenter(i,1)  
45.             case 1  
46.                 plot(dataSet(i,1), dataSet(i,2), '.b');  
47.             case 2  
48.                 plot(dataSet(i,1), dataSet(i,2), '.g');  
49.             case 3  
50.                 plot(dataSet(i,1), dataSet(i,2), '.r');  
51.             otherwise  
52.                 plot(dataSet(i,1), dataSet(i,2), '.c');  
53.         end  
54.     end  
55.     plot(centroids(:,1),centroids(:,2),'+k');  
56. end