机器学习-无监督学习

13. Clustering

Unsupervised Learning_ Introduction

在一个典型的监督学习中，我们有一个有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，在这里的监督学习中，我们有一系列标签，我们需要据此拟合一个假设函数。与此不同的是，在非监督学习中，我们的数据没有附带任何标签，我们拿到的数据就是这样的：

在这里我们有一系列点，却没有标签。因此，我们的训练集可以写成只有 x(1),x(2)……一直到 x(m)。我们没有任何标签 y。因此，图上画的这些点没有标签信息。也就是说，在非监督学习中，我们需要将一系列无标签的训练数据，输入到一个算法中，然后我们告诉这个算法，快去为我们找找这个数据的内在结构。我们可能需要某种算法帮助我们寻找一种结
构。图上的数据看起来可以分成两个分开的点集（称为簇），一个能够找到我圈出的这些点集的算法，就被称为聚类算法。
其他类型的非监督学习算法，它们可以为我们找到其他类型的结构或者其他的一些模式，而不只是簇.
astronomical(天文的) data analysis

---

K-Means Algorithm

K-均值是最普及的聚类算法，算法接受一个未标记的数据集，然后将数据聚类成不同的组。

K-均值是一个迭代算法，假设我们想要将数据聚类成 n 个组，其方法为:

1. 首先选择 K 个随机的点，称为聚类中心（cluster centroids） ；
2. 对于数据集中的每一个数据，按照距离 K 个中心点的距离，将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类。
   3.计算每一个组的平均值，将该组所关联的中心点移动到平均值的位置。
   重复步骤 2-3直至中心点不再变化。
   下面是一个聚类示例：
   用 μ1,μ2,…,μk 来表示聚类中心，用 c(1),c(2),…,c(m)来存储与第 i 个实例数据最近的聚类中
   心的索引,即编号。
   K-均值算法的伪代码如下：

for i = 1 to m
c(i) := index (form 1 to K) of cluster centroid closest to x(i)
for k = 1 to K
μk := average (mean) of points assigned to cluster k
}

算法分为两个步骤，第一个 for 循环是赋值步骤， 即： 对于每一个样例 i，计算其应该属于的类。 第二个 for 循环是聚类中心的移动，即： 对于每一个类 k，重新计算该类的质心。

---

Optimization Objective(目标)

Object 目的 distort 歪曲，篡改。
K-均值最小化问题，是要最小化所有的数据点与其所关联的聚类中心点之间的距离之和，因此 K-均值的代价函数（又称畸变函数 Distortion(失真) function）为：

其中 μc(i)代表与 x(i)最近的聚类中心点。 我们的的优化目标便是找出使得代价函数最小的 c(1),c(2),…,c(m)和 μ1,μ2,…,μk：