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:
- 首先选择 K 个随机的点,称为聚类中心(cluster centroids) ;
- 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