说到聚类,得跟分类区别开来,分类是按人为给定的标准将样本归到某个类别中去,在机器学习中多是监督学习,也就是训练样本要给标签(正确的类别信息);而聚类是在某种规则下自动将样本归类,在机器学习中是无监督学习,不需要提前给样本打标签。
k-means聚类算法,就是在某种度量方式下,将样本自动划分到k个类别中去。比如,我想把随机取的100个点划分为3类,就可以用这种方法来做聚类。这里的k是类别的个数,可以人为给定。
首先,k-means中的种子点初始值可以随意给定,后面会在算法中不断修正;
其次,度量方式也可自选,比如对散点分类中的各种距离,或者样本之间的相似系数等等;
最后,算法中更新种子点的方式亦可自定。(http://www.csdn.net/article/2012-07-03/2807073-k-means 文章中给出了三种更新种子点的方式)
算法:
step-1:任意选定k个种子点(每个种子点代表一个类别);
step-2:计算所有点(k个种子点可以不算)到k个种子点的“距离”;
step-3:对每个点,选择“距离最小”的种子点,将该点归于相应种子点类别;
step-4:按均值规则(或其他更新方法)更新种子点信息;
step-5:循环step-2到step-4知道种子点不再变换或者达到最大迭代次数。
示例:
在[0,1]上随机撒500个点,按欧式距离将就近分为4类,种子点按均值规则更新,代码在(https://github.com/sophia-hxw/MachineLearning )给出,以下是示例结果:
第一张图
随机撒的500个点及用不同颜色标注的任意选定的4个种子点
第二张图
将500个点按距离远近依次归到4个类别中的结果
第三张图
更新一次种子点并重新将500个点按距离归到4类的结果
第四张图
对这500个点和4个初始种子点的最终聚类算法结果图