聚类算法与应用
通常我们会使用”距离“衡量样本的远近
不同的场景:
- 图片检索:图片内容的相似度
- 图片分割:图片的像素、颜色的相似度
- 网页聚类:文本内容的相似度
- 社交网络聚类:关注人群,喜好、喜好内容
- 电商用户聚类:点击、购买商品、行为序列
不管用什么样的评定内容,最终都会把样本表示成向量,向量的距离该如何表示?
-
欧氏距离
d ( x , z ) = ∣ ∣ x − z ∣ ∣ = ∑ d = 1 D ( x d − z d ) 2 d(x,z)=||x -z||=\sqrt{\sum_{d=1}^D(x_d-z_d)^2} d(x,z)=∣∣x−z∣∣=d=1∑D(xd−zd)2 -
曼哈顿距离
d ( x , z ) = ∑ d = 1 D ∣ x d − z d ∣ d(x,z) = \sum_{d=1}^{D}|x_d-z_d| d(x,z)=d=1∑D∣xd−zd∣ -
余弦距离(一般不用,数学上证明不了收敛)
-
核函数映射后距离
什么是无监督学习?无监督学习=>只要数据,不要标记结果
下面简单叙述三种聚类算法:
可视化网址:https://www.naftaliharris.com/blog/visualizing-dbscan-clustering/
-
K-MEANS
-
输入:
input1:N个样本
input2:拟定的聚类个数K
-
初始化:
两种方法:1.随机初始化K个D维的向量 2. 选取K个不同的样本点作为初始聚 类中心
-
迭代直至收敛
对于每个样本xn都指定其为离其最近的聚类中心的cluster,重新计算聚类中心
那么怎么才算做收敛呢?
- 聚类中心不再有变化
- 每个样本到对应聚类中心的距离之和不再有很大变化
下面举一个栗子说明聚类过程:
- 随机初始化两个点
-
-
连接这两个点,做其垂直平分线,将样本分为两个类
-
重新计算质心
- 连接这两个点,做其垂直平分线
5. 重复以上步骤,直到收敛
对于上面的过程,定义如下的损失函数:
J
(
u
,
r
)
=
∑
n
=
1
N
∑
k
=
1
K
r
n
k
∥
x
n
−
u
k
∥
2
J(u,r) = \sum_{n=1}^{N} \sum_{k=1}^{K}r_{nk}\lVert x_n-u_k \lVert^2
J(u,r)=n=1∑Nk=1∑Krnk∥xn−uk∥2
我们在迭代的过程就是最小化以上的损失函数,其中
u
1
u
2
.
.
.
u
k
u_1 u_2 ...u_k
u1u2...uk 是k个聚类中心,$r_{nk} $ 表示x_n 是否属于聚类k
局限性:
-
K-means对异常点的“免疫力”很差,我们可以通过一
些调整(比如中心不直接取均值,而是找均值最近的样
本点代替
-
这个算法真的是初始聚类中心敏感的
-
无法对带状的数据进行分类
优势:简单,快速,适合常规数据集
关于K的选定
选的不好确实会出现下面的状况
很经典的“肘点”法,选取不同的K值,画出损失函数曲线,选取“肘点”值,如下图所示:
-
层次聚类
简单点来说,层次聚类有点像我们构造哈夫曼树:
1. 初始化每个样本为一个类 2. 计算每个样本之间两两距离 3. 将其中两个距离最近的类划分为一类,重复1~3步骤,直到只剩下一类
类与类之间的距离该怎么算?
第一、二种方法容易受到个别的离群点影响
K-means VS 层次聚类?
① K-means这种扁平聚类产出一个聚类结果(都是独立的)
② 层次聚类能够根据你的聚类程度不同,有不同的结果
③ K-means需要指定聚类个数K,层次聚类不用
④ K-means比层次聚类要快一些(通常说来) -
DBSCAN算法(Density-Based Spatial Clustering of Applications with Noise)
基本概念
-
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)
-
ϵ-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q0、q1、…qk,对任意qi-qi-1是直接密度可达的,则称从q0到qk密度可达,这实际上是直接密度可达的“传播”。
-
边界点:属于某一个类的非核心点,不能发展下线了
-
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
-
A:核心对象 B,C:边界点 N:离群点
-
工作流程:
优势:
- 不需要指定簇个数
- 擅长找到离群点(检测任务)
- 可以发现任意形状的簇
- 两个参数就够了
劣势:
- 高维数据有些困难(可以做降维)
- Sklearn中效率很慢(数据削减策略)
- 参数难以选择(参数对结果的影响非常大)