1.原理
k-means是一种无监督的基于距离的聚类算法。在无监督的算法中,训练集的标签信息是不知道的,任务是通过对训练样本的学习来揭示数据的内在性质和规律。聚类是将训练集中的样本划分为若干个不想交的子集,每一个子集称为一个簇,这些簇都是不知道标签信息的数据样本,每一个样本都包含着一个n维的特征向量。
k-means聚类算法是将n个样本的数据集x划分为k个簇,表示第i个簇的中心,k-means算法的目标就是,选择k个中心,使得类里面各个样本点到其中心的距离平方和最小。聚类完成后,通常计算最小化内类分散度来评价聚类效果,这个值在一定程度上刻画了簇内样本的紧密程度,值越小表示簇内样本相似度越高。
最小化类内分散度公式:
其中,k表示有k个类簇,表示第i个簇,表示这个簇内的一个样本,表示第i个簇的中心。
k-means聚类算法是使用最广泛的算法之一,但是它也有一些缺点,比如选择不同的初始聚类中心,最终聚类的结果可能不一样,并且k-means算法容易受到异常点的影响,因为它更新中心点的时候用的均值。
2.算法思路
(1)从输入的样本中随机选择一个样本作为第一个聚类中心(初始的聚类中心之间的相互距离应该尽可能大)
(2)计算每一个样本到各个中心点的距离,选择距离最小的中心点,把该样本归到该类别。
(3)当所有样本都划归完了后,计算每一个簇的新中心点,也就是每个簇的均值,然后更新中心点。
(4)重复(2)(3)步,直到聚类中心不再变化位置。