k-means算法详解

k-means算法详解

• 主要内容
  
  • k-means算法简介
  • k-means算法详解
  • k-means算法优缺点分析
  • k-means算法改进算法k-means++

---

1、k-means算法简介
  k-means算法是一种聚类算法，所谓聚类，即根据相似性原则，将具有较高相似度的数据对象划分至同一类簇，将具有较高相异度的数据对象划分至不同类簇。聚类与分类最大的区别在于，聚类过程为无监督过程，即待处理数据对象没有任何先验知识，而分类过程为有监督过程，即存在有先验知识的训练数据集。
  k-means算法中的k代表类簇个数，means代表类簇内数据对象的均值（这种均值是一种对类簇中心的描述），因此，k-means算法又称为k-均值算法。k-means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。数据对象间距离的计算有很多种，k-means算法通常采用欧氏距离来计算数据对象间的距离。

2、k-means算法详解
  k-means算法以距离作为数据对象间相似性度量的标准，通常采用欧氏距离来计算数据对象间的距离。下面给出欧式距离的计算公式：

$$dist(x_{i},x_{j})=\sqrt{\sum_{d=1}^{D}(x_{i,d}-x_{j,d})^{2}}\ \ \ \ \ (1)$$ 其中， $D$表示数据对象的属性个数。
  k-means算法聚类过程中，每次迭代，对应的类簇中心需要重新计算（更新）：对应类簇中所有数据对象的均值，即为更新后该类簇的类簇中心。定义第$k$个类簇的类簇中心为 $Center_{k}$，则类簇中心更新方式如下：
$$Center_{k}=\frac{1}{|C_{k}|}\sum_{x_{i}\in C_{k}}x_{i}\ \ \ \ \ (2)$$ 其中， $C_{k}$表示第 $k$个类簇，$|C_{k}|$表示第 $k$个类簇中数据对象的个数，这里的求和是指类簇$C_{k}$中所有元素在每列属性上的和，因此 $Center_{k}$也是一个含有 $D$个属性的向量，表示为$Center_{k}=(Center_{k,1},Center_{k,2},...,Center_{k,D})$。
  k-means算法需要不断地迭代来重新划分类簇，并更新类簇中心，那么迭代终止的条件是什么呢？一般情况，有两种方法来终止迭代：一种方法是设定迭代次数 $T$，当到达第$T$次迭代，则终止迭代，此时所得类簇即为最终聚类结果；另一种方法是采用误差平方和准则函数，函数模型如下：
$$J=\sum_{k=1}^{K}\sum_{x_{i}\in C_{k}}dist(x_{i},Center_{k})\ \ \ \ \ (3)$$ 其中， $K$表示类簇个数。当两次迭代$J$的差值小于某一阈值时，即 $\Delta J<\delta$时，则终止迭代，此时所得类簇即为最终聚类结果。
  k-means算法思想可描述为：首先初始化 $K$个类簇中心；然后计算各个数据对象到聚类中心的距离，把数据对象划分至距离其最近的聚类中心所在类簇中；接着根据所得类簇，更新类簇中心；然后继续计算各个数据对象到聚类中心的距离，把数据对象划分至距离其最近的聚类中心所在类簇中；接着根据所得类簇，继续更新类簇中心；……一直迭代，直到达到最大迭代次数$T$，或者两次迭代 $J$的差值小于某一阈值时，迭代终止，得到最终聚类结果。算法详细流程描述如下：

  k-means算法聚类过程示意图，如下：
其中，黑色圆点代表类簇中心，白色圆点代表待聚类数据对象。

3、k-means算法优缺点分析
- 优点：
  算法简单易实现；
- 缺点：
  需要用户事先指定类簇个数$K$；
  聚类结果对初始类簇中心的选取较为敏感；
  容易陷入局部最优；
  只能发现球型类簇；

4、k-means算法改进方法
  初始类簇中心的选取，可以通过k-means++算法进行改进。