本文主要介绍K均值的运行原理、代价函数、聚类数量的选择等内容。
1.运行原理
假如有以下数据集,并且要将其分为两类。
首先使用生成两个聚类中心(图中的红蓝点)。之后该算法会计算每个样本点和两个聚类中心的距离,根据距离的远近把样本点分配给聚类中心。
第一次聚类之后的结果如下:
之后K-均值算法根据之前计算出来的距离移动聚类中心,移动之后的结果如下所示。
之后重复之前的过程,完成聚类。
通过以上例子,可知K-均值的计算过程是:
首先随机初始化K个聚类中心。之后计算样本与K个聚类中心的距离,选择最近的聚类中心进行分类。
2.代价函数
K均值算法的代价函数为:
其中:μ_k代表第K个聚类中心,c^((m) )代表样本目前所属的聚类,μ_c (i)代表第i个样本所属的聚类中心。
3.聚类中心
3.1初始化
首先K的值要小于样本的数量,之后在样本中随机挑选K个样本点作为初始聚类中心,为了避免算法陷入局部最优解,可以多次初始化K值,然后多次(50-1000次)运行算法。之后选择代价函数最小的初始化K值。
3.2聚类中心的数量选择
通常的方法是多次选择不同的聚类中心比较代价函数的结果。
如图所示,在K=3时,代价函数变化最大,在3以后代价函数减低的较慢,如果选择k>3会增加计算时间,因此在这个例子中可以选择K=3.
聚类中心数量的选择大部分时候还是要依赖于实践经验,以上的方法知识为大家提供一个思路。