K-Means算法和DBSCAN算法

一、聚类

聚类是根据在数据中发现的描述对象及其关系的信息，将数据对象分簇。其目的是使簇内的对象相互之间是相似的(相关的)，而不同簇中的对象是不同的(不相关的)。簇内相似性越大，簇间差距越大，说明聚类效果越好。
聚类是一种无监督学习的方法，是许多领域中常用的机器学习技术。其难点在于如何评估和调参。

二、K-Means算法

1、基本概念

• 要得到簇的个数，需要指定$K$值
• 质心：均值，即向量各维取平均即可
• 距离的度量：常用欧几里得距离和余弦相似度(先标准化)
• 优化目标：$\min \sum _{i=1}^K\sum _{x\in C_i}dist(c_i,x{)}^2$

2、工作流程

（1）数据预处理：主要是标准化、异常点过滤。
（2）设置参数$K$，其含义是将数据集聚合成$K$类。
（3）随机选取$K$个质心，记为${\mu }_1^{(0)},{\mu }_2^{(0)},\cdots ,{\mu }_K^{(0)}$。
（4）定义损失函数：$$J(c,\mu )=\min \sum _{i=1}^M||x_i-{\mu }_{c_i}|{|}^2\text{\hspace{1em}(1)}$$（5）重复下述过程，直到$J$收敛：
（5.1）对于每一个样本$x_i$，将其分配到距离最近的质心，即：$$x_i\in \underset{k}{\mathrm{argmin}}||x_i-{\mu }_k^{(t)}||\text{\hspace{1em}(2)}$$（5.2）对于每一个类质心${\mu }_k$，重新计算该类的质心，即：$${\mu }_k^{(t+1)}=\frac{1}{|C_k|}\sum _{x\in C_k}x\text{\hspace{1em}(3)}$$

3、优缺点

优点：简单快速，适合常规数据集
缺点：
① $K$值难确定；② 受初始值影响较大；③ 复杂度与样本规模呈线性关系；④ 很难发现任意形状的簇。

三、DBSCAN算法

1、基本概念

DBSCAN全名为Density-Based Spatial Clustering of Applications with Noise。

• 核心对象：若某个点的密度达到算法设定的阈值则其为核心点(即$r$邻域内点的数量不小于$minPts$)
• $\epsilon$-邻域的距离阈值：设定的半径$r$
• 直接密度可达：若某点$p$在点$q$的$r$邻域内，且$q$是核心点，则$p-q$直接密度可达
• 密度可达：若有一个点的序列$q_0$、$q_1$、$\cdots$、$q_k$，对任意$q_i-q_{i-1}$是直接密度可达的，则称从$q_0$到$q_k$密度可达，这实际上是直接密度可达的“传播”
• 密度相连：若从某核心点$p$出发，点$q$和点$k$都是密度可达的，则称点$q$和点$k$是密度相连的
• 边界点：属于某一个类的非核心点，不能往下发展了
• 噪声点：不属于任何一个类簇的点，从任何一个核心点出发都是密度不可达的
  如图1所示，点A为核心对象，B和C为边界点，N是离群点。
  

图1 DBSCAN算法划分点集示意图

2、工作流程

准备数据集(参数D)，输入指定半径(参数$r$)和密度阈值($MinPts$)。其伪代码如下所示：

标记所有对象为unvisited;
Do
随机选择一个unvisited对象p;
标记p为visited;
If p的r-邻域至少有MinPts个对象
	创建一个新簇C，并把p添加到C;
	令N为p的r-邻域中的对象集合;
	For N中每一个点p'
		If p'是unvisited;
			标记p'为visited;
			If p'的r-邻域至少有MinPts个对象
				把这些对象添加到N中;
			If p'还不是任何簇的成员
				把p'添加到C;
	End for;
	输出C;
Else
	标记p为噪声点;
Until 没有标记为unvisited的对象;

3、参数选择

• 半径$r$，可以根据$K$距离来设定，找突变点。
  $K$距离：给定数据集 P = { p ( i ) ; i = 0 , 1 , ⋯   , n } P=\{p(i); i=0,1,\cdots,n\} P={p(i);i=0,1,⋯,n}，计算点$p(i)$到集合$D$的子集$S$中所有点之间的距离，距离按照从小到大的顺序排序，$d(k)$就被称为$K$距离。
• $MinPts$： $K$距离中$K$的值，一般取的小一些，多次尝试。

4、优缺点

优点：
① 不需要指定簇个数；② 可以发现任意形状的簇；③ 擅长找到离群点(检测任务)；④ 只需要设置两个参数(半径$r$和距离阈值$MinPts$)。
缺点：
① 高维数据聚类有些困难(可以做降维)；② 参数难以选择(参数对结果的影响非常大)；③ Sklearn中效率很慢(数据削减策略)。

四、可视化展示

1、K-Means算法

2、DBSCAN算法

五、参考文献

[1] 唐宇迪. 跟着迪哥学Python数据分析与机器学习实战[M]. 北京: 人民邮电出版社, 2019: 346-363.