机器学习day12——聚类算法_k均值聚类手肘-CSDN博客

本文链接：https://blog.csdn.net/weixin_44419845/article/details/120886040

无监督学习

在一个典型的监督学习中，我们有一个有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，在这里的监督学习中，我们有一系列标签，我们需要据此拟合一个假设函数。与此不同的是，在非监督学习中，我们的数据没有附带任何标签，我们拿到的数据就是这样：无监督学习数据集在这里我们有一系列点，却没有标签，因此，我们的训练集可以写成只有𝑥(1),𝑥(2)……一直到𝑥(𝑚)，没有任何标签𝑦。
在非监督学习中，我们需要将一系列无标签的训练数据，输入到一个算法中，然后我们告诉这个算法，为我们找找这个数据的内在结构给。
图上的数据看起来可以分成两个分开的点集（称为簇），一个能够找到这些点集的算法，就被称为聚类算法。

K-均值算法

K-均值是最普及的聚类算法，算法接受一个未标记的数据集，然后将数据聚类成不同的组。
K-均值是一个迭代算法，假设我们想要将数据聚类成 K 个组，其方法为:

首先选择𝐾个随机的点，称为聚类中心（cluster centroids）；
对于数据集中的每一个数据，按照距离𝐾个中心点的距离，将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类
计算每一个组的平均值，将该组所关联的中心点移动到平均值的位置
重复步骤 2-4 直至中心点不再变化
如果遇到没有点的聚类中心，就会移除该簇，那么本来的K簇会变成K-1簇。
即：簇分配+移动聚类中心
算法输入：K值即簇类数、无标签数据集

优化目标

c(i)表示当前样本x(i)所属的簇的索引号
u(k)表示第k个聚类中心的位置
u𝑐(𝑖)代表与x(i)所属聚类的中心点
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：

我们的的优化目标便是找出使得代价函数最小的 𝑐(1),𝑐(2),…,𝑐(𝑚)和𝜇1,𝜇2,…,𝜇𝑘

K-均值迭代算法，我们知道，第一个循环是用于减小𝑐(𝑖)引起的代价，而第二个循环则是用于减小𝜇𝑖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。

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，下面介绍怎样做：

我们应该选择𝐾 < 𝑚，即聚类中心点的个数要小于所有训练集实例的数量
随机选择𝐾个训练实例，然后令𝐾个聚类中心分别与这𝐾个训练实例相等
随机初始化状态不同，K均值最后可能会得到不同的结果。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𝐾较小的时候还是可行的，但是如果𝐾较大，这么做也可能不会有明显地改善。

选择聚类数量

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。

肘部法则

改变𝐾值，也就是聚类类别数目的总数，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K个聚类里，然后计算成本函数或者计算畸变函数𝐽。

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：
在这里插入图片描述
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，𝐾 = 3之后就下降得很慢，那么我们就选𝐾 = 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有明确拐点的图，那么这将是一种用来选择聚类个数的合理方法。