一、K均值算法的优化目标
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 function)为:
其中??(?)代表与?(?)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 ?(1),?(2),...,?(?)和?1,?2,...,??:
回顾刚才给出的: K-均值迭代算法,我们知道,第一个循环是用于减小?(?)引起的代价,
而第二个循环则是用于减小??引起的代价。迭代的过程一定会是每一次迭代都在减小代价函
数,不然便是出现了错误。
二、随机初始化
在运行K-均值算法的之前,我们首先要随机初始化所有的聚类中心点:
1. 我们应该选择? < ?,即聚类中心点的个数要小于所有训练集实例的数量
2. 随机选择?个训练实例,然后令?个聚类中心分别与这?个训练实例相等
K-均值的一个问题在于,它有可能会停留在一个局部最小值处,而这取决于初始化的情
况。
为了解决这个问题,我们通常需要多次运行K-均值算法,每一次都重新进行随机初始
化,最后再比较多次运行K-均值的结果,选择代价函数最小的结果。这种方法在?较小的时
候(2--10)还是可行的,但是如果?较大,这么做也可能不会有明显地改善
三、聚类数量的选择
没有所谓最好的选择聚类数的方法,通常是需要根据不同的问题,人工进行选择的。选
择的时候思考我们运用K-均值算法聚类的动机是什么,然后选择能最好服务于该目的标聚
类数。
当人们在讨论,选择聚类数目的方法时,有一个可能会谈及的方法叫作“肘部法则”。关
于“肘部法则”,我们所需要做的是改变?值,也就是聚类类别数目的总数。我们用一个聚类
来运行K 均值聚类方法。这就意味着,所有的数据都会分到一个聚类里,然后计算成本函数
或者计算畸变函数?。?代表聚类数字。
我们可能会得到一条类似于这样的曲线。像一个人的肘部。这就是“肘部法则”所做的,
让我们来看这样一个图,看起来就好像有一个很清楚的肘在那儿。好像人的手臂,如果你伸
出你的胳膊,那么这就是你的肩关节、肘关节、手。这就是“肘部法则”。你会发现这种模式,
它的畸变值会迅速下降,从1 到2,从2 到3 之后,你会在3 的时候达到一个肘点。在此之
后,畸变值就下降的非常慢,看起来就像使用3 个聚类来进行聚类是正确的,这是因为那个
点是曲线的肘点,畸变值下降得很快,? = 3之后就下降得很慢,那么我们就选? = 3。当你
应用“肘部法则”的时候,如果你得到了一个像上面这样的图,那么这将是一种用来选择聚类
个数的合理方法。
例如,我们的 T-恤制造例子中,我们要将用户按照身材聚类,我们可以分成3 个尺
寸:?, ?, ?,也可以分成5 个尺寸??, ?, ?, ?, ??,这样的选择是建立在回答“聚类后我们制造
的T-恤是否能较好地适合我们的客户”这个问题的基础上作出的。