TOPIC 2:Center Selection Problem (2)

问题定义

• INPUT
  同中心选址问题
• OBJECTIVE
  • 最小化所有点到中心点的距离之和：$Min{\sum }_{s\in S}dist(s,c)$，其中$dist(s,c)=Mi{n}_{c\in C}distance(s,c)$

k-means

• 思路：
  1. 初始化：选择$k$个中心点
     - 注：若选择是k个地点的集合，则可以先参照步骤3算出相应的中心点
  2. 根据各个点到中心点的距离，重新划分k个cluster： S j = { s ∣ d i s t a n c e ( s , c ) = min ⁡ i = 1 , 2 , . . . , k d i s t a n c e ( s , c i ) } S_j = \{s | distance(s,c) = \min _{i=1,2,...,k} distance(s,c_i)\} Sj​={s∣distance(s,c)=mini=1,2,...,k​distance(s,ci​)}
  3. 根据新的clusters，重新计算中心：$k_i=\frac{{\sum }_{s\in S_i}s}{|S_i|}$
  4. 重复2-3，知道中心点不再发生变化
• 代码：

def k_means(sites, k, init_centers):
    centers = init_centers[:]
    while True:
        new_centers = []
        changed_centers = []
        # Assign the center to the site
        for site in sites:
            center = assign_center(centers, site)[1]
            site.center = center
            center.sites.append(site)
        # Recalculate center
        for center in centers:
            new_center = cal_center(center.sites)
            new_centers.append(new_center)
            if new_center.location != center.location:
                changed_centers.append(new_center)
        if len(changed_centers) == 0:
            return centers
        centers = new_centers[:]

思考

1. k-means中心点/clusters的初始化
   • 中心选址
     • 中心选址的初始化问题：随机，选择最旁边的点，选择最中间的点…
   • 随机
   • 根据点的分布大致分成k个clusters
2. 和中心选址的区别