K-means 算法

本学习笔记参考自吴恩达老师机器学习公开课

    聚类算法是一种无监督学习算法。k均值算法是其中应用最为广泛的一种，算法接受一个未标记的数据集，然后将数据聚类成不同的组。K均值是一个迭代算法，假设我们想要将数据聚类成K个组，其方法为：

1. 随机选择K个随机的点（称为聚类中心）；
2. 对与数据集中的每个数据点，按照距离K个中心点的距离，将其与距离最近的中心点关联起来，与同一中心点关联的所有点聚成一类；
3. 计算每一组的均值，将该组所关联的中心点移动到平均值的位置；
4. 重复执行2-3步，直至中心点不再变化

算法的数学表示

算法的输入（input）：

        K – 聚类的类别数

         - 无标签训练集，其中每个输入是都是一个n维的实数向量，即

假设分别表示K个类别的聚类中心，用来存储与第i个实例数据最近的聚类中心的索引（1,2,…,k），则K-均值算法的伪代码如下：

    算法分为2个步骤，第一个for循环是赋值步骤，即：对于每一个样例i，计算其应该属于的类。第二个for循环是聚类中心的移动，即：对于每一个类k，重新计算该类的质心。（注：算法执行过程中若出现没有分配点的聚类中心，可以直接移除该聚类中心）

目标函数及其执行细节

目标函数

K均值最小化的问题，是要最小化所有数据点与其所关联的聚类中心点之间的距离之和。因此k均值的代价函数为：

随机初始化

K均值算法执行开始时，通常随机初始化聚类中心点，即：随机选择K个训练实例，然后令K个聚类中心分别等于这K个训练实例。这就使得Kmeans算法存在一个缺陷：最后结果会依赖于初始化的情况，并且有可能使得代价函数停留在局部最小值处。

为了解决该问题，我们通常需要多次（50到1000次）运行K均值算法，每一次都重新进行初始化，最后再比较多次运行K-均值的结果，选择代价函数最小的结果。通常这种方法在K较小的时候（2-10）还是可行的；但是K较大，这么做可能不会有明显的改善，并且K较大时，通常第一次执行K均值也会得到一个不错的结果。典型的执行次数为100次。伪代码如下：

选择聚类数K

        没有所谓最好的选择聚类数的方法，通常是需要根据不同的问题，人工的进行选择。但是，当你想要确定最优聚类数K时，有一个值得一试的方法 - “肘部法则（Elbow method）”。该方法所做的就是不断的改变K值（from 1 to x），执行k-均值，然后画出代价函数与K值的变化曲线，选择“肘点处”的值作为K的取值。如下图：

事实上，该方法并不常用，因为大多数情况下，我们通常会得到一个光滑下降的曲线，没有一个清晰的“肘点”，这样就不能果断的确定K的取值；即便若此，该方法还是值得推荐和尝试的。