机器学习知识点相关总结（七）——k-means相关_请问下列算法流程描述的是一个聚类方法() 从任一对象点p开始; 寻找并合并点p直接-CSDN博客

本文链接：https://blog.csdn.net/weixin_40714990/article/details/89289889

1.如何定义K-Means聚类算法中K的值？

原理：kmeans算法通过预先设定的k值以及初始质心对相似的数据点进行划分，划分后根据一个类簇内所有点重新计算中心点，再迭代进行分配和更新簇中心点的步骤，直至簇的中心点变化很小，或者达到给定的迭代次数。

选择k值：根据经验，

手肘法：随着聚类数k的增大，样本会被划分的更加精细，每个簇的聚合程度会逐渐提高，误差平方和SSE会逐渐变小。给定一个合适的类簇指标，比如平均半径或直径，当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，也就是说SSE和k的关系图是一个手肘的形状，而这个肘部对应的k值就是数据的真实聚类数。

轮廓系数法：求出所有样本的轮廓系数后再求平均值就得到了平均轮廓系数。平均轮廓系数的取值范围为[-1,1]，且簇内样本的距离越近，簇间样本距离越远，平均轮廓系数越大，聚类效果越好。那么，很自然地，平均轮廓系数最大的k便是最佳聚类数。

Kmeans算法对数据集要求：

数值型数据

不能计算缺失值，数据有缺失必须进行缺失值替换

运行效率不高，对于大数据集处理效率比较慢

对维度敏感，一般在算法运行前进行特征选择或者主成分分析。

2.列举至少3中定义K-Means聚类算法中K的方法。

手肘法，轮廓系数法，经验法，kalinski-harabasz方法

3.除此之外你还知道哪些聚类算法？

原型聚类：kmeans

密度聚类：DBSCAN

层次聚类：自上而下，自下而上（时间复杂度高）

基于模型、网络

4.介绍一下DBSCAN算法。

从样本密度的角度来考察样本之间的可连接性，并基于可连接样本不断扩展聚类簇以获得最终的聚类结果。先任选数据集中一个核心对象为种子，再由此出发确定相应的聚类簇。

从任一对象p开始，寻找并合并核心p对象直接密度可达的对象；如果p是一个核心点，则找到了一个聚类，如果是一个边界点，则找寻下一个对象点。直到所有点都被处理。

需要输入半径和领域内最少点数。

5.简述下分层凝聚聚类（Hierarchical Agglomerative clustering）的工作原理。

首先把每一个样本点当做一个聚类，然后不断重复将其中距离最近的两个聚类进行合并。直到满足迭代终止条件。

6.解释一下主成分分析算法（PCA），简述下使用PCA算法的数学步骤。

PCA是一种数据降维算法，主要思想是将n维特征映射到k维上，这k维是全新的正交特征也就是主成分，是在原有n维特征的基础上重新构造出来的k维特征。

过程就是首先选择第一个坐标轴为原始数据中方差最大的方向，第二个为与第一个坐标轴正交的平面中方差最大的方向；第三个是与前两个正交中方差最大的方向，以此类推得到n个这样的坐标轴。发现大部分方差都包含在前k个坐标轴中，后面的坐标轴所含的方差基本为0。相当于只保留包含绝大部分方差的维度特征，实现对数据特征的降维处理。

数学步骤：基于特征值分解协方差矩阵实现PCA

去平均值；计算协方差矩阵；用特征值分解的方式求协方差矩阵的特征值与特征向量；对特征值从大到小排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为行向量组成特征向量矩阵P；将数据转换到k个特征向量构建成的新空间中。

7.使用 PCA算法有哪些缺点？

主成分其解释含义往往具有一定的模糊性。

贡献率较小的成分往往可能含有对样本差异的重要信息。

特征值矩阵的正交向量空间是否唯一有待讨论。

无监督学习。

8.kmeans代码实现

import numpy as np

def loadDataSet(filename):

           data = np.loadtxt(filename, delimiter = '\t')

           return data

def distEclud(x, y):

           return np.sqrt(np.sum((x-y)**2))

def randCent(dataSet, k):

           m, n = dataSet.shape

           centoids = np.zeros((k, n))

           for i in range(k):

                     index = int(np.random.uniform(0, m))

                     centoids[i,:] = dataSet[index, :]

           return centoids

def KMeans(dataSet, k):

           m = np.shape(dataSet)[0] #numbers of row

           #第一列存储属于哪一簇，第二列存储到中心点的误差

           clusterAssment = np.mat(np.zeros((m, 2)))

           clusterChange = True

           #第一步：初始化中心点

           centoids = randCent(dataSet, k)

           while clusterChange:

                     clusterChange = False

                     #遍历所有样本（行数）

                     for i in range(m):

                                minDist = 100000.0

                                minIndex = -1

                                #第二步：遍历所有的质心，找出最近的质心

                                for j in range(k):

                                          distance = distEclud(centoids[j, :], dataSet[i,:])

                                          if distance < minDist:

                                                     minDist = distance

                                                     minIndex = j

                                #第三步：更新每一行样本所属的簇

                                if clusterAssment[i, 0] != minIndex:

                                          clusterChange = True

                                          clusterAssment[i, :] = minIndex, minDist**2

                     #第四步：更新质心

                     for j in range(k):

                                pointsInCluster = dataSet[np.nonzero(clusterAssment[:,0].A == j)[0]]

                                centoids[j,:] = np.mean(pointsInCluster, axis = 0)

           return centoids, clusterAssment