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(xi,xj)=∑d=1D(xi,d−xj,d)2−−−−−−−−−−−−−⎷ (1)
d
i
s
t
(
x
i
,
x
j
)
=
∑
d
=
1
D
(
x
i
,
d
−
x
j
,
d
)
2
(
1
)
其中,
D
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。定义第个类簇的类簇中心为 Centerk C e n t e r k ,则类簇中心更新方式如下:
Centerk=1|Ck|∑xi∈Ckxi (2)
C
e
n
t
e
r
k
=
1
|
C
k
|
∑
x
i
∈
C
k
x
i
(
2
)
其中,
Ck
C
k
表示第
k
k
个类簇,表示第
k
k
个类簇中数据对象的个数,这里的求和是指类簇中所有元素在每列属性上的和,因此
Centerk
C
e
n
t
e
r
k
也是一个含有
D
D
个属性的向量,表示为。
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 T ,当到达第次迭代,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=∑k=1K∑xi∈Ckdist(xi,Centerk) (3)
J
=
∑
k
=
1
K
∑
x
i
∈
C
k
d
i
s
t
(
x
i
,
C
e
n
t
e
r
k
)
(
3
)
其中,
K
K
表示类簇个数。当两次迭代的差值小于某一阈值时,即
ΔJ<δ
Δ
J
<
δ
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 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,或者两次迭代 J 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:
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;
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。