机器学习（八）：寻找数据的分组——k均值聚类

理解聚类

聚类是一种无监督的机器学习任务，可以将数据自动分成类，或具有类类似的分组。我们可能都不知道我们在寻找什么，聚类是用来知识发现而不是预测。简单地说，就是对无标签的数据进行分类

k均值聚类

涉及将n个案例分配到k个类中的一个，其中k是一个提前定义好的数，目标是最小化每个类内部的差异，最大化类之间的差异。该算法使用了一个可以找到局部最优解的启发式过程。两个阶段：将案例分配到初始的k个类中，其次，根据落入当前类的案例调整类的边界来更新分配。重复更新和分配过程多次，直到做出的改变不会再提升类的优度。

• 使用距离来分配和更新类
  k均值将特征值作为一个多维特征空间中的坐标。

  分配：k均值算法首先在特征空间中选择k个点作为类中心。这些中心是促使剩余案例落入特征空间的催化剂。（当然，也可以跳过这一步，直接把每一个案例随机分入类中）确定类的中心后，其他案例将分配到与其最相似或者根据距离函数最接近的距离。（使用欧氏距离或曼哈顿距离）
  
  更新：先将初始类的中心转移到新的位置——质心，可以通过计算分配到当前类的各点的均值得到。调整后可能会有其他类的案例被重新归类。当没有点重新分配时，聚类分配结束。
  

• 选择适当的聚类数
  一般设置为n/2的平方根，n为案例的个数。基于方便选择一个k值就可以了

举例：青少年市场细分

> library(stats)
> interests<-teens[5:40]
> iinterests_z<-as.data.frame(lapply(interests,scale))
> teen_clusters<-kmeans(iinterests_z,5)
> teen_clusters$size
[1]  1020 21568   868  5993   551
> teen_clusters$centers