【聚类算法】K-Mediods算法详解

最新推荐文章于 2024-05-08 02:31:35 发布

不休的turkeymz

最新推荐文章于 2024-05-08 02:31:35 发布

阅读量1.4w

点赞数 12

分类专栏：机器学习文章标签：机器学习算法聚类算法中心点围绕划分法 K-Mediods

本文链接：https://blog.csdn.net/turkeym4/article/details/103216014

版权

机器学习专栏收录该内容

15 篇文章 8 订阅

订阅专栏

定义

今天我们来一起学习聚类算法的另一个算法 —— PAM。（Partitioning Around Mediods）还是那个套路，我们可以从名字分解开始初步了解这个算法。我一直认为每个算法的名字都是有意义的，所以我都这么做。

Partitioning —— 从名字可以得知，它属于partitioning算法，也就是分割聚类算法。和层次聚类不同，它的主要目的是把数据聚成多个簇。
Mediods —— 这里为了方便中文理解，先把这个单词提上来。Mediods就是K-Mediods。而K-Mediods中的Mediods表示中心点的意思，也就是每一个簇的唯一中心点。
Around —— 引文翻译是围绕的意思。

所以，PAM算法其实就是簇围绕中心点。所以也可以称为中心点围绕划分法。初步认识算法意思之后，接下来我们将加深学习这个算法。

K-Mediods & K-Means

和以前的文章不一样，我们通过K-Means来引入K-Mediods。然后再来聊它的计算过程。刚刚有提到过K-Mediods。大家按照中文意思理解是不是找到了一个规律。K-Mediods等于K-中心点。那么这个时候你有没有联想到上一篇博客里面提到的K-Means呢？K-Mediods和K-Means到底有什么区别呢？
众所周知，K-Means之所以叫Means，是因为划分数据集的主要逻辑就是不断寻找簇之间的均值。通过这个均值的不断收敛从而得到最终的结果。如果这里有不理解，可以看一下我之前讲K-Means的文章。但很遗憾，K-Means算法并不具备噪音数据的包容性。就像下图一样，如果出现右上角那3个数据点，而他们却与右下角的最相似，那么K-Means则将他们归为依赖。在这个时候也许蓝色的点就是算法最终得到的质心。
在这里插入图片描述
这时候，K-Mediods算法往往就能发挥他的功效。它与K-Means最大的区别就是：K-Means是寻找簇中的平均值作为质心。而K-Mediods在寻找到平均值之后，会选一个离这个均值最近的实际点作为质心。也就是常说K-Mediods会以数据集中真正存在的最优点来作为它的质心。所以同样的数据，换成K-Mediods算法会变成下图这样，质心会选择与均值（蓝色点）最为相近的一个数据。
在这里插入图片描述

计算过程

这么对比下来是不是瞬间明白K-Mediods做的啥玩意。但别忘了，了解这个我们值知道Mediods，还有两个单词还没讲呢。下面是PAM算法的“作案过程”。

首先确定K的值，这里很重要，决定我们要把数据聚合成多少类
输入我们想要聚类的数据
随机在数据中选择K个点作为质心
计算其他点与质心的距离，并聚合到距离紧的一类，得到簇
将簇之间每个点之间作为质心都计算一次距离，然后选择距离最小的点作为新的质心。注意这里的质心必须是确切存在的数据，和K-Means是不一样的
重复4和5步骤，知道质心不在偏移为止。

通过第4和第5步其实就可以看出来，Means和Mediods的差别在哪里了。所以，它的数学公式是这样的。Ci是质心，Pi是非质心。所以c就是每一个非质心的点到质心的距离的和。最好要实现c是最小的哪一个。也就是min（c）
在这里插入图片描述

样例

下面到了举栗子的时刻。这个例子来源于K-Medoids clustering with example。看了一些论文和资料，我觉得没有比这个更简单更容易理解的例子了。但因为文档是英文的。所以下面部分是我个人理解+翻译，希望大家原谅。
假设我有如下的数据：
在这里插入图片描述
然后我把这些数据转化成图是这样的

第一步，通过初步分析，我们想把数据聚成2类。所以我设k=2。算法将随机选出两个质心分别为C1 -(3, 4) 和 C2 -(7, 4)。
第二步，计算cost方程使得距离是最短的，也就是每一个点到C1和到C2的距离。
最后得到1，2，5属于C1，而0，3，6，7，8则属于C2。所以cost（C） = (3 + 4 + 4) + (3 + 1 + 1 + 2 + 2) = 20
在这里插入图片描述
第三步，选择一个非质心的点，然后计算他们的最短距离。重新得到新的Cost。比如我选择C1 (3, 4) 和 C2 (7, 3) 为质心。从新计算每个点的距离如下表。从表中可以得到，1，2，5属于C1，而0，3，6，7，8属于C2。所以cost（C） = (3 + 4 + 4) + (2 + 2 + 1 + 3 + 3) = 22。但22>20，所以放弃这次的假设。然后继续尝试新的假设直到质心不在便宜为止。
在这里插入图片描述
经过一系列的计算，最终我们可以得到2个新的质心。分别是C1 (3, 4) 和 C2(7, 4)。最终的聚类结果如下图

而且我们也能得到这个算法的时间复杂度为：

总结

最后，我们讲讲Partitioning Around Mediods的优缺点。
优点：

因为K-Medoid每次只寻找存在的点作为质心。所以这个算法速度快，且收敛次数固定。
上文也有提到过。与其他分区算法相比，如K-means。PAM对异常值的敏感性较低。

缺点：

因为它是通过计算每个点之间的距离而聚类的。所以它只适合呈球面的数据集。说白了就是不适合离散的数据。
这个算法第一次的质心选择是随机的。而且它只取实际的点。所以每次的结果可能都不一样，多少会存在误差。

现在我们已经学习了Partition聚类的两个热门算法。在实际项目中具体需要使用哪一个，这就需要大家自己衡量判断了。今天的分享就到现在为止。下期我将分享Density Based Clustering，也就是基于密度的聚类方法。
喜欢机器学习的，热爱算法的，想要一起学习这个行业的知识的。欢迎关注我的博客，以后更多原创内容会分享给大家。
点我阅读更多算法分享