介绍
下面是scikit-learn中的几种聚类算法。
聚类算法 | 参数 |
---|---|
K-Means | number of clusters |
Affinity propagation | damping, sample preference |
Mean-shift | bandwidth |
Spectral clustering | number of clusters |
Ward hierarchical clustering | number of clusters |
Agglomerative clustering | number of clusters, linkage type, distance |
可以发现,大部分聚类算法的输入参数,都含有聚类类别数目K,K表示我们需要算法将样本聚成几类。
那么问题来了,在使用聚类算法时,我们该如何决定聚类类别数目K值的选取呢?
方法
关于聚类K值问题,有很多种求解的方法。
有暴力的均方根解法,也有直观的图解法,下面介绍几种常用的方法。
均方根
假设我们有m个样本,该方法认为 K=m/2−−−−√
Elbow法
首先给出聚类算法的一些符号表示
* 聚类算法的m个输入样本:
x(1),...,x(m)
*
x(i)
所属的聚类中心:
μc(i)
聚类算法在聚类过程中,会寻找每个样本到聚类中心距离最小的点作为聚类中心。所以聚类算法的优化目标为:
J(c(1),...,c(m),μ1,...,μk)=1m∑1m(∥x(i)−μc(i)∥)
其中
- c(i) 表示最接近 x(i) 的聚类中心下标
- μk 表示聚类中心
优化目标J的值就表示每个样本到聚类中心的距离之和,所以J在某种程度上表示了误差,J最小则聚类误差最小。
当K取值不同,得到的J值也不同。
Elbow法认为,K值应该取拐点上的那个值,如下图。
当然,实际情况中,不一定能看到拐点,也就不一定能使用这种方法。
图像法
把样本的二维、三维特征图画出来,通过观察,人为决定K值选取。
样本特征维度大于三时,用降维或Visual Intelligence的方法来作图观察。
结论
聚类使用中,可以根据上面一些方法确定K值得选取。
但最终决定你聚类K值的,应该是根据你聚类后的后续目的来选取。可以尝试不同的K,看聚类结果能为你后续目的提供多大帮助。