文章目录
1. K-means 算法原理(距离度量采用欧式距离)
-
随机选取k个簇中心点
-
遍历所有数据,将每个数据划分到欧式距离最近的中心点中
-
计算每个聚类的平均值,并作为新的簇中心点
-
重复2-3,直到某个中止条件
中止条件:
- 簇中心变化率收敛
- 足够多的迭代
- 最小平方误差MSE,非凸,采用迭代逼近局部最优。
注意,若不是采用欧式距离,簇中心的更新方式也随之不同,比如采用曼哈顿距离(绝对值),则不采用平均值,采用中值。
2. Kmean算法推导
注意:使用不同的距离度量,簇中心 的跟新公式便不一样。推导如下:
3. kmeans的优缺点
缺点:
- K值是用户给定的,且对聚类结果影响很大(一般交叉验证选取)。
- 对初始的簇中心敏感(由此提出 二分K-means、Kmeans++进行改进)
- 利群值对模型影响很大(如2,4,6,8,100;这种数据样本可采用K中值算法,即选取中间值作为更新簇)
- 不适合发现大小差别很大的簇
优点:
- 簇类似高斯分布时,效果会不错
- 简单,容易理解
4. 二分Kmeans算法 K-means++
Kmeans++ :
- 并不是随机给定簇中心点,而是先随机选取一个初始簇中心,然后选一个离前k个簇中心较远的另一个点成为下一个簇中心,具体为计算 每一个样本 x i x_i xi,离k个簇中心的最短距离 d m i n i d_{min}^i dmini,然后找出最大的 d m i n i d_{min}^i dmini .
二分Kmeans算法
- 每次从队列中出来一个簇,分成两个字簇,再进队;循环至簇数等于K