K-Means

1.算法简述

分类是指分类器（classifier）根据已标注类别的训练集，通过训练可以对未知类别的样本进行分类。分类被称为监督学习（supervised learning）。如果训练集的样本没有标注类别，那么就需要用到聚类。聚类是把相似的样本聚成一类，这种相似性通常以距离来度量。聚类被称为无监督学习（unspervised learning）。

k-means是聚类算法中常用的一种，其中k的含义是指有k个cluster。由聚类的定义可知，一个样本应距离其所属cluster的质心是最近的（相较于其他k-1个cluster）。实际上，k-means的本质是最小化目标函数：

x为样本点，c为cluster。为了表示cluster，最简单有效的是取所有样本点平均，即质心（cluster centroid）；这便是取名means的来由。

k-means算法流程如下：

选取初始k个质心（通常随机选取）

循环重复直至收敛

{    对每个样本，计算出与k个质心距离最近的那个，将其归为距离最新质心所对应的cluster

    重新计算质心，当质心不再变化即为收敛

}

代码参考[1,2]，结果可视化请参考[2]

[python]  view plain copy

1. import numpy as np  
2. import scipy.spatial.distance as ssd  
3. import matplotlib.pyplot as plt   
4.   
5. def read_file(fn):  
6.     raw_file=open(fn)  
7.     dataSet=[]  
8.     for raw_row in raw_file.readlines():  
9.         row=raw_row.strip().split('\t')  
10.         dataSet.append((float(row[0]),float(row[1])))  
11.   
12.     return np.array(dataSet)  
13.   
14. def firstCentroids(k,dataSet):  
15.     """create the first centroids"""  
16.   
17.     num_columns=dataSet.shape[1]  
18.     centroids=np.zeros((k,num_columns))  
19.     for j in range(num_columns):  
20.         minJ=min(dataSet[:,j])  
21.         rangeJ=max(dataSet[:,j])-minJ  
22.         for i in range(k):  
23.             centroids[i,j]=minJ+rangeJ*np.random.uniform(0,1)  
24.     return np.array(centroids)  
25.   
26. def kmeans(k,dataSet):  
27.     num_rows,num_columns=dataSet.shape  
28.     centroids=firstCentroids(k,dataSet)  
29.       
30.     #store the cluster that the samples belong to  
31.     clusterAssment=np.zeros((num_rows,2))  
32.     clusterChanged=True  
33.     while clusterChanged:  
34.         clusterChanged=False  
35.          
36.         #find the closet centroid  
37.         for i in range(num_rows):  
38.             minDis=np.inf;minIndex=-1  
39.             for j in range(k):  
40.                 distance=ssd.euclidean(dataSet[i,:],centroids[j,:])  
41.                 if distance<minDis:  
42.                     minDis=distance;minIndex=j  
43.   
44.             if(clusterAssment[i,0]!=minIndex): clusterChanged=True  
45.             clusterAssment[i,:]=minIndex,minDis**2  
46.           
47.         #update the centroid location  
48.         for cent in range(k):  
49.             ptsInCent=dataSet[np.nonzero(clusterAssment[:,0]==cent)[0]]  
50.             centroids[cent,:]=np.mean(ptsInCent,axis=0)  
51.   
52.     return centroids,clusterAssment  

缺点：

1. k-means是局部最优，因而对初始质心的选取敏感。换句话说，选取不同的初始质心，会导致不同的分类结果（当然包括差的了）。
2. 选择能达到目标函数最优的k值是非常困难的。

2. Referrence

[1] Peter Harrington, machine learning in action.

[2] zouxy09, 机器学习算法与Python实践之（五）k均值聚类（k-means）.

[3] the top ten algorithm in data mining, CRC Press.