目录
EM算法（1） ： K-means算法
1. 简介
K-means算法是一类无监督的聚类算法，目的是将没有标签的数据分成若干个类，每一个类都是由相似的数据组成。这个类的个数一般是认为给定的。
2. 原理
假设给定一个数据集$mathbf{X} = {mathbf{x}_1, mathbf{x}_2,...,mathbf{x}_N }$, 和类的个数K。我们的每个类都用一个中心点$mu_k$表示。每个数据集都应该被归为某一个类，那么我们定义$r_{nk}$:如果$mathbf{x}_n$属于类k,则$r_{nk}$=1；如果$mathbf{x}_n$不属于类k，则$r_{nk}$=0。那么我们就可以定义一个误差函数$mathbf{J}$：
$mathbf{J} = sum_nsum_kr_{nk}||mathbf{x}_n - mu_k||^2$
误差函数直观理解为每个数据点离自己类的中心点的距离之和。那么我们的目标就是 min $mathbf{J}$。我们发现，$mathbf{J}$中$r_{nk}$和$mu_k$都是未知的，直接求导的话没有闭式解。所以我们需要换一个方法，这就是所谓的k-keans算法。
k-means算法分为两步。第一步，假设各个类的中心$mu_k$已知，那么所有$r_{nk}$都可以求出，计算方法采取最近邻原则，即
$r_{nk} = 1$ if $k = arg min_j||mathbf{x}_n - mu_j||^2$ （1）
$r_{nk} = 0$ otherwise （2）
第二步，假设所有$r_{nk}$都已知，将$mathbf{J}$对$mu_k$求导等于零，那么：
$frac{partialmathbf{J}}{partialmu_k}$ = $2sum_nr_{nk}(mathbf{x}_n-mu_k)$ = 0
那么很容易得到$mu_k$的闭式解：
$mu_k = frac{sum_nr_{nk}mathbf{x}_n}{sum_nr_{nk}}$
k-means有更通俗的解释，第一步其实是给每个数据点都分类，分类方法采取最近邻原则；第二步是根据分类的结果，将中心点重新计算，计算方式为类中所有点的中心点。
3. 与EM算法的关系
这就是为什么在EM算法系列中我们要讲k-means算法的原因：k-means是最简单的EM算法。EM算法全称为Expectation-Maximization algorithm。其也是分为两步，第一步叫Expectation，第二步叫Maximization。
EM算法取名是有其意义的，比如第一步Expectation，顾名思义就是计算期望。那么在k-means算法中，第一步计算$r_{nk}$其实是计算Expectation的一步。$r_{nk}$可以看做是$mathbf{x}_n$属于各个类的概率，只不过它们取值只有0和1，但也符合概率的定义。那么$mathbf{x}_n$ 的误差期望就是：$sum_kr_nk||mathbf{x}_n - mu_k||^2$。那么所有点的误差期望之和为：
$sum_nsum_kr_{nk}||mathbf{x}_n-mu_k||^2$
我们可以发现，这其实就是k-means算法中的$mathbf{J}$。
EM算法第二步就是对求得的期望求最值。那么在k-means算法中，第二步对$mathbf{J}$求导等于零其实就是在求最值，这也正好对应EM算法的第二步。所以我们可以看到，其实k-means就是EM算法的一种。
我们知道，用平方和来计算误差其实就是隐性假设原数据服从高斯分布，那么后续我们会看到，我们用EM算法和高斯分布，也能推导出k-means算法。