K-Means聚类

K-Means聚类

K-Means算法思想

给定样本集，按照样本之间的距离大小，将样本集分为K个簇，让簇内尽量紧密，让簇间尽量大。

假设簇划分为(C_1,C_2,...,C_k)，则我们的目标是最小化平方误差E

[E=sum_{i=1}^ksum_{xin C_i}lVert x-mu_i Vert_2^2 ]

其中，(mu_i)是簇(C_i)的均值向量，也称为质心，表达式为

[mu_i=frac{1}{|C_i|}sum_{xin C_i}x ]

直接求E的最小值是一个NP难问题，我们随机取K个质心点，分别求所有样本到质心的距离，并标记好每个样本的类别，再重新计算质心。经过迭代后，找到最优的簇。

K-Means推广

1. K-Means++初始优化
2. elkan K-Means距离优化
3. Mini Batch K-Means大样本优化

K-Means与KNN

K-Means是无监督学习聚类，没有样本输出，需要训练；

KNN的监督学习分类算法，有类别输出，不需要训练。

K-Means总结

K-Means优点：

1. 原理简单，实现容易，收敛快
2. 聚类效果好
3. 算法可解释性强
4. 参数少

K-Means缺点：

1. K值选择不好把握
2. 对于不是凸的数据集比较难收敛
3. 如果隐含类别的数据不平衡，如隐含类别数据严重失衡，或者隐含类别的方差不同，聚类效果不佳
4. 采用迭代方法，得到的结果是局部最优
5. 对噪音和异常点比较敏感。

sklearn K-Means使用

类库

from sklearn.cluster import KMeans

参数

1. n_clusters：即K值
2. max_iter：最大迭代次数
3. n_init：不同的初始化质心运行算法的次数
4. init：初值的初始化方式
5. algorithm：算法优化

K值评价

不像监督学习和回归问题，无监督聚类问题没有样本输出，没有比较好的评估方法。有的从簇内稠密程度和簇间离散程序评价效果，如Calinski-Harabasz的评价如下：

[s(k)=frac{tr(B_k)m-k}{tr(W_k)k-1} ]

其中，m为训练样本数，k为类别数，(B_k)为类别之间协方差矩阵，(W_k)为类别内部数据的协方差矩阵，tr为矩阵的迹。类内部数据协方差越小越好，类别之间协方差越大越好。

实例

import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn import metrics

y_pred = KMeans(n_clusters=2, random_state=9).fit(x)
plt.scatter(x[:, 0], x[:, 1], c=y_pred)
plt.show()
metrics.calinski_harabaz_score(x, y_pred)