K-means
K-means属于聚类算法中最简单的一种,也是一种无监督学习的算法。
步骤:
按上图所示,具体步骤如下: 1. 设定初始簇的个数,上图为2 2. 使用欧式距离对簇进行分类,与最近的簇为一类,如上图所示,分为红蓝两类 3. 对已分类的所有数据区均值,取X/Y坐标的平均值,设为新的中心点,如上图c-d的操作 4. 重新对簇进行分类(如步骤2),如上图d-c的操作 5. 迭代直到结束。
结束迭代的方法有很多,比如收敛达到一定程度后结束迭代,如无法收敛可以设置迭代次数
问题:
1. 需要先验知识,必须给定一个簇,簇多簇少效果是截然不同的。
2. 初始簇中心点对算法影响较大,如果初始值不太好,可能对结果产生较大的影响。 3. 去噪点能力差,误差数据可能会对结果造成较大的影响。 4. 仅适用于球心数据分布
5. 数据比较大时收敛比较慢
解决:
对于中心点的收敛问题,可以使用特殊的求中心点公式: 1. Minkowski Distance 公式 —— λ 可以随意取值,可以是负数,也可以是正数,或是无穷大
2. Euclidean Distance 公式 —— 也就是第一个公式 λ=2 的情况
3. CityBlock Distance 公式 —— 也就是第一个公式 λ=1 的情况
K-means ++
为了解决随机初始点不好并且不知道初始中心点数量的问题,这里可以引入K-means++。 1. 先从数据库随机挑个随机点当“种子点”。
2. 对于每个点,都计算其和最近的一个“种子点”的距离D(x)并保存在一个数组里,然后把这些距离加起来得到Sum(D(x))。
3. 然后,再取一个随机值,用权重的方式来取计算下一个“种子点”。这个算法的实现是,先取一个能落在Sum(D(x))中的随机值Random,然后用Random -= D(x),直到其<=0,此时的点就是下一个“种子点”。
4. 重复第(2)和第(3)步直到所有的K个种子点都被选出来。
5. 进行K-Means算法。
K-modes
K-modes是K-means用在非数值集合上的一种方法