小批量K-均值（Mini Batch K-Means）是一种K-Means聚类算法的变种，它旨在处理大规模数据集时降低计算成本和提高效率。

传统K-Means算法需要在每一轮迭代中遍历整个数据集，这在数据量巨大时是非常耗时的。

Mini Batch K-Means通过每次仅使用数据集的一个小随机子集（即“mini batch”）来更新聚类中心，从而显著减少了计算时间。

Mini Batch K-Means的基本流程：
  1. 初始化：随机选择 k 个数据点作为初始聚类中心。
  2. 采样：从数据集中随机抽取一个小批量数据子集。
  3. 分配：将这批数据点分配给最近的聚类中心。
  4. 更新中心：根据这批数据点，更新聚类中心的位置。
  5. 重复步骤2至4，直到满足停止条件（例如，达到预定的迭代次数或聚类中心的变化低于某个阈值）。
涉及到的公式：
更新聚类中心

在Mini Batch K-Means中，聚类中心的更新是基于当前批次数据点的。 设

  • 小批量K-均值（Mini Batch K-Means）_聚类 为当前批次中属于簇 小批量K-均值（Mini Batch K-Means）_kmeans_02 的数据点数量
  • 小批量K-均值（Mini Batch K-Means）_kmeans_03 为属于簇 小批量K-均值（Mini Batch K-Means）_kmeans_02 的当前批次数据点的集合
  • 小批量K-均值（Mini Batch K-Means）_kmeans_05为簇 小批量K-均值（Mini Batch K-Means）_kmeans_02 的当前中心位置
  • 小批量K-均值（Mini Batch K-Means）_batch_07 为到目前为止分配给簇 小批量K-均值（Mini Batch K-Means）_kmeans_02 的总数据点数量（包括当前批次）。
    更新公式如下：

小批量K-均值（Mini Batch K-Means）_kmeans_09

这里：

  • 小批量K-均值（Mini Batch K-Means）_kmeans_05：簇 小批量K-均值（Mini Batch K-Means）_kmeans_02 的中心位置。
  • 小批量K-均值（Mini Batch K-Means）_聚类：当前批次中属于簇 小批量K-均值（Mini Batch K-Means）_kmeans_02 的数据点数量。
  • 小批量K-均值（Mini Batch K-Means）_batch_07：到目前为止分配给簇 小批量K-均值（Mini Batch K-Means）_kmeans_02 的总数据点数量。
  • 小批量K-均值（Mini Batch K-Means）_batch_16：当前批次中属于簇 小批量K-均值（Mini Batch K-Means）_kmeans_02 的数据点的平均位置。
对公式的每个字符进行解释：
  • 小批量K-均值（Mini Batch K-Means）_kmeans_05：簇小批量K-均值（Mini Batch K-Means）_kmeans_02的中心位置。
  • 小批量K-均值（Mini Batch K-Means）_聚类：当前批次中属于簇小批量K-均值（Mini Batch K-Means）_kmeans_02的数据点数量。
  • 小批量K-均值（Mini Batch K-Means）_batch_07：到目前为止分配给簇小批量K-均值（Mini Batch K-Means）_kmeans_02的总数据点数量。
  • 小批量K-均值（Mini Batch K-Means）_batch_16：当前批次中属于簇小批量K-均值（Mini Batch K-Means）_kmeans_02的数据点的平均位置，计算方式为这批数据点位置的算术平均。
Mini Batch K-Means的优缺点：
  • 优点：由于每次迭代只需要处理一小部分数据，所以算法的运行速度比标准K-Means快得多，特别适合处理大规模数据集。
  • 缺点：由于更新是基于小批量数据的，最终的聚类结果可能不如标准K-Means精确。此外，结果的稳定性也可能会因批次的不同而有所变化。

Mini Batch K-Means是一种有效的近似方法，能够在保持一定精度的同时，大幅提高处理大规模数据集时的效率。