Coursea-吴恩达-machine learning学习笔记（十三）【week 8之Unsupervised Learning】

监督学习：

训练集：$\{(x^{(1)},y^{(1)}),(x^{(2)},y^{(2)}),\cdots,(x^{(m)},y^{(m)})\}$
针对一组有标记的训练数据，提出一个适当的假设，找出决策边界，借此区分正负标记数据。

无监督学习：

训练集：$\{x^{(1)},x^{(2)},\cdots,x^{(m)}\}$
面对一组无标记的训练数据，数据之间不具有任何相关联的标记，将未标记的数据送入特定的算法，分析出数据的结构，例如聚类。

$K$均值($K-means$)算法是现在最为广泛使用的聚类算法。

有一些未标记的数据如下图所示，想将这些数据分成两个簇

首先随机选择两个点，称为聚类中心：

$K$均值算法是一个迭代方法，做两件事：

1. 簇分配，即遍历所有的样本，依据每个点更接近哪个中心，来将数据点分配到不同的聚类中心，如下图：
   
2. 移动聚类中心，将聚类中心移动到该类所有点的均值处，如下图：
   
   循环以上两步，得到如下图结果：
   
   当聚类中心不再变化时，$K$均值算法收敛。

   $K$均值算法接受两个输入：

   1. 参数$K$(表示聚类簇的个数)；
      • 训练集$\{x^{(1)},x^{(2)},\cdots,x^{(m)}\}$，$x^{(i)}\in R^n$是个$n$维向量。

   算法说明：
   随机初始化$K$个聚类中心$\mu_1,\mu_2,\cdots,\mu_K\in R^n$
   $Repeat\{$
   $\qquad\qquad for\ i=\ 1\ to\ m$
   $\qquad\qquad\qquad c^{(i)}:=$距样本$x^{(i)}$最近的聚类中心的索引($1\sim K$)
   $\qquad\qquad\qquad$注：$\min\limits_{k}\lVert x^{(i)}-\mu_k\rVert\to c^{(i)}=k$
   $\qquad\qquad for\ k=\ 1\ to\ K$
   $\qquad\qquad\qquad \mu_k:=$分配到第$k$个簇的所有点的平均值
   $\qquad\qquad\qquad$例：$c^{(1)}=2,c^{(5)}=2,c^{(6)}=2,c^{(10)}=2$
   $\qquad\qquad\qquad$则$\mu_2={1 \over 4}[x^{(1)}+x^{(5)}+x^{(6)}+x^{(10)}]$
   $\qquad\quad\}$
   如果存在一个没有点分配给它的聚类中心，直接将该中心移除。

   我们用$\mu_{c^{(i)}}$表示样本$x^{(i)}$被分配到的簇的聚类中心。
   $K$均值算法的优化目标：
   $J(c^{(1)},\cdots,c^{(m)},\mu_1,\cdots,\mu_K)={1 \over m}\sum\limits_{i=1}^m\lVert x^{(i)}-\mu_{c^{(i)}}\rVert^2$
   $\min\limits_{c^{(1)},\cdots,c^{(m)}\\\mu_1,\cdots,\mu_K}J(c^{(1)},\cdots,c^{(m)},\mu_1,\cdots,\mu_K)$
   上面这个代价函数也叫失真代价函数。

   在$K$均值算法中：
   第一步
   $for\ i=\ 1\ to\ m$
   $\qquad c^{(i)}:=$距样本$x^{(i)}$最近的聚类中心的索引($1\sim K$)
   实际是在对代价函数进行关于参数$c^{(1)},\cdots,c^{(m)}$的最小化，保持$\mu_1,\cdots,\mu_K$不变。
   第二步
   $for\ k=\ 1\ to\ K$
   $\qquad \mu_k:=$分配到第$k$个簇的所有点的平均值
   实际上是选择最小化代价函数的$\mu_1,\cdots,\mu_K$。

   随机初始化聚类中心的方法：

   1. 确保$K\lt m$，$K$为类别数，$m$为训练样本数；
   2. 随机选取$K$个训练样本；
   3. 令$\mu_1,\cdots,\mu_K$等于这$K$个训练样本，$\mu_1,\cdots,\mu_K$表示$K$个聚类中心。

   因为随机初始化的不同，$K$均值算法最终可能会得到不同的结果，只得到局部最优解。

   假设存在数据如下图：
   
   其全局最优解为：
   
   由于随机初始化的不同，可能得到如下两种局部最优解：
   
   
   如果想提高$K$均值算法找到全局最优解的几率，能做的是尝试多次随机初始化，运行多次$K$均值算法。
   具体做法如下：
   $for\ i=\ 1\ to\ 100$
   $\{$
   $\qquad$随机初始化$K$均值；
   $\qquad$运行$K$均值算法，得到$c^{(1)},\cdots,c^{(m)},\mu_1,\cdots,\mu_K$；
   $\qquad$计算代价函数$J(c^{(1)},\cdots,c^{(m)},\mu_1,\cdots,\mu_K)$
   $\}$
   选取$J(c^{(1)},\cdots,c^{(m)},\mu_1,\cdots,\mu_K)$最小的聚类。

   实际证明：若$K$较小($2\sim10$)，做多次随机初始化通常能保证找到一个较好的局部最优解，但若$K$非常大时，做多次随机初始化不太会有太大影响，可能会有稍好的结果，但不会好太多。

   如何决定聚类数？
   最常用的方法：通过看可视化的图或者看聚类算法的输出结果手动决定聚类的数目。

   肘部法则($Elbow\ Method$)：
   计算$K$取不同值时的代价函数$J$，用图表呈现，如下图：
   
   找到拐点，即$K=3$处，则类别数取$3$。

   但是，实际中经常得到的结果为下图：
   
   没有清晰的肘点，畸变值是连续下降的。
   所以肘部法则值得尝试，但不是在任何问题上都有好的表现。

   还有一种考虑$K$值的方法：看不同的聚类数量能为后续目标提供多好的结果。