一、K-means算法原理
聚类的概念:一种无监督的学习,事先不知道类别,自动将相似的对象归到同一个簇中。
K-Means算法是一种聚类分析(cluster analysis)的算法,其主要是来计算数据聚集的算法,主要通过不断地取离种子点最近均值的算法。
K-Means算法主要解决的问题如下图所示(网上的图,原作者不清楚)。从图中可以很容易的看出来在坐标系中有四团点,但是计算机程序怎么能找出这四团点呢,于是就出现了K-Means算法。
这个算法原理其实很简单,如下图所示:
在上图的第一幅图中,有A,B,C,D,E五个点,我们想把这五个点分成两部分,也就是K=2,我们先随机生成两个灰色的的种子点,也就是我们用来找点群的点。然后分别计算ABCDE这五个点到两个点的距离,分别得出距离两个种子点比较近的点群,第二幅图中的AB分到了上面的点群,CDE分到了下面的点群。接下来我们再分别求出上面点群中几个点的几何中心,并放上新的种子点,同理得出下面点群的几何中心,放上种子点,如第三幅图所示(一开始的随机生成两个种子点就不再需要了)。再次计算新的种子点到五个点的距离,然后重复上一步,直到种子点不移动为止。
总结一下:
- 随机在图中取K(这里K=2)个种子点。
- 然后对图中的所有点求到这K个种子点的距离,假如点Pi离种子点Si最近,那么Pi属于Si点群。(上图中,我们可以看到A,B属于上面的种子点,C,D,E属于下面中部的种子点)
- 接下来,我们要移动种子点到属于他的“点群”的中心。(见图上的第三步)
- 然后重复第2)和第3)步,直到,种子点没有移动(我们可以看到图中的第四步上面的种子点聚合了A,B,C,下面的种子点聚合了D,E)。
最后再说一下“求点群中心的算法”:欧氏距离(Euclidean Distance):差的平方和的平方根
得到的是种子点到三个点的距离,可以对三个点画圆求交点,这个方法比较多,就不一一列举了。
K-Means主要最重大的缺陷——都和初始值有关:
K是事先给定的,这个K值的选定是非常难以估计的。很多时候,事先并不知道给定的数据集应该分成多少个类别才最合适。(ISODATA算法通过类的自动合并和分裂,得到较为合理的类型数目K)K-Means算法需要用初始随机种子点来搞,这个随机种子点太重要,不同的随机种子点会有得到完全不同的结果。(K-Means++算法可以用来解决这个问题,其可以有效地选择初始点)
总结:K-Means算法步骤:
1. 从数据中选择k个对象作为初始聚类中心;2. 计算每个聚类对象到聚类中心的距离来划分;
3. 再次计算每个聚类中心
4. 计算标准测度函数,直到达到最大迭代次数,则停止,否则,继续操作。
5. 确定最优的聚类中心