聚类算法优化

聚类算法优化

【其实就是为了选择质心，保证每个点距离不是很近】

k-means算法小结

优点：

​ 1.原理简单（靠近中心点），实现容易

​ 2.聚类效果中上（依赖K的选择）

​ 3.空间复杂度o(N)，时间复杂度o(IKN)

N为样本点个数，K为中心点个数，I为迭代次数

缺点：

​ 1.对离群点，噪声敏感 （中心点易偏移）

​ 2.很难发现大小差别很大的簇及进行增量计算

​ 3.结果不一定是全局最优，只能保证局部最优（与K的个数及初值选取有关）

1 Canopy算法配合初始聚类

1.1 Canopy算法配合初始聚类实现流程        【通过绘制同心圆，进行K值选择筛选，需要确定同心圆的半径t1,t2】

【最开始的时候，这里的同心圆点是随机选取的，第二个取的时候需要选取圆之外的点】

1.2 Canopy算法的优缺点

优点：

​ 1.Kmeans对噪声抗干扰较弱，通过Canopy对比，将较小的NumPoint的Cluster直接去掉有利于抗干扰。

​ 2.Canopy选择出来的每个Canopy的centerPoint作为K会更精确。

​ 3.只是针对每个Canopy的内做Kmeans聚类，减少相似计算的数量。

缺点：

​ 1.算法中 T1、T2的确定问题 ，依旧可能落入局部最优解

2 K-means++       【距离平方进行求解，保证下一个质心到当前质心的距离最远】

【上图中的15是一个假设的值】【假设第一次选的质心为2，则下一个应该选择15，让质点距离越远越好】

kmeans++目的，让选择的质心尽可能的分散      

如下图中，如果第一个质心选择在圆心，那么最优可能选择到的下一个点在P(A)这个区域（根据颜色进行划分）

3 二分k-means       【类似于决策树的思想，通过误差平方和设置阈值，然后进行划分】

实现流程:

• 1.所有点作为一个簇

• 2.将该簇一分为二

• 3.选择能最大限度降低聚类代价函数（也就是误差平方和）的簇划分为两个簇。

• 4.以此进行下去，直到簇的数目等于用户给定的数目k为止。

【这儿可以选择小于等于3时，簇的划分停止】

隐含的一个原则

因为聚类的误差平方和能够衡量聚类性能，该值越小表示数据点越接近于他们的质心，聚类效果就越好。所以需要对误差平方和最大的簇进行再一次划分，因为误差平方和越大，表示该簇聚类效果越不好，越有可能是多个簇被当成了一个簇，所以我们首先需要对这个簇进行划分。

二分K均值算法可以加速K-means算法的执行速度，因为它的相似度计算少了并且不受初始化问题的影响，因为这里不存在随机点的选取，且每一步都保证了误差最小

4 k-medoids（k-中心聚类算法）

K-medoids和K-means是有区别的，不一样的地方在于中心点的选取

• K-means中，将中心点取为当前cluster中所有数据点的平均值，对异常点很敏感!

• K-medoids中，将从当前cluster 中选取到其他所有（当前cluster中的）点的距离之和最小的点作为中心点。

算法流程：

　　 ( 1 )总体n个样本点中任意选取k个点作为medoids

　　 ( 2 )按照与medoids最近的原则，将剩余的n-k个点分配到当前最佳的medoids代表的类中

　　 ( 3 )对于第i个类中除对应medoids点外的所有其他点，按顺序计算当其为新的medoids时，代价函数的值，遍历所有可能，选取代价函数最小时对应的点作为新的medoids

　　 ( 4 )重复2-3的过程，直到所有的medoids点不再发生变化或已达到设定的最大迭代次数

　　 ( 5 )产出最终确定的k个类

k-medoids对噪声鲁棒性好。

例：当一个cluster样本点只有少数几个，如（1,1）（1,2）（2,1）（1000,1000）。其中（1000,1000）是噪声。如果按照k-means质心大致会处在（1,1）（1000,1000）中间，这显然不是我们想要的。这时k-medoids就可以避免这种情况，他会在（1,1）（1,2）（2,1）（1000,1000）中选出一个样本点使cluster的绝对误差最小，计算可知一定会在前三个点中选取。

k-medoids只能对小样本起作用，样本大，速度就太慢了，当样本多的时候，少数几个噪音对k-means的质心影响也没有想象中的那么重，所以k-means的应用明显比k-medoids多。

5 Kernel k-means

kernel k-means实际上，就是将每个样本进行一个投射到高维空间的处理，然后再将处理后的数据使用普通的k-means算法思想进行聚类。

【白话文解释：把所有点都放在桌子上，在桌子中心的一敲，所有点都会震动起来，离中心点的位置会震动的高一些，然后 用一把刀根据震动的高度不同就可以分开了】

6 ISODATA

类别数目随着聚类过程而变化；

对类别数会进行合并，分裂，

• “合并”：（当聚类结果某一类中样本数太少，或两个类间的距离太近时）
• “分裂”（当聚类结果中某一类的类内方差太大，将该类进行分裂）

7 Mini Batch K-Means

适合大数据的聚类算法

大数据量是什么量级？通常当样本量大于1万做聚类时，就需要考虑选用Mini Batch K-Means算法。

Mini Batch KMeans使用了Mini Batch（分批处理）的方法对数据点之间的距离进行计算。

Mini Batch计算过程中不必使用所有的数据样本，而是从不同类别的样本中抽取一部分样本来代表各自类型进行计算。由于计算样本量少，所以会相应的减少运行时间，但另一方面抽样也必然会带来准确度的下降。

该算法的迭代步骤有两步：

(1)从数据集中随机抽取一些数据形成小批量，把他们分配给最近的质心

(2)更新质心

​ 与Kmeans相比，数据的更新在每一个小的样本集上。对于每一个小批量，通过计算平均值得到更新质心，并把小批量里的数据分配给该质心，随着迭代次数的增加，这些质心的变化是逐渐减小的，直到质心稳定或者达到指定的迭代次数，停止计算。

8 总结

优化方法	思路
Canopy+kmeans	Canopy粗聚类配合kmeans
kmeans++	距离越远越容易成为新的质心
二分k-means	拆除SSE最大的簇
k-medoids	和kmeans选取中心点的方式不同     【通过从当前点选择中心点（质点）进行判断】
kernel kmeans	映射到高维空间
ISODATA	动态聚类    【更改K值大小】
Mini-batch K-Means	大数据集分批聚类