k-means 算法

$k-means$ 算法是无监督的聚类算法。

$k-means$ 算法的思想：对于给定的 $n$ 个样本，按照样本之间的距离大小，将样本集划分为 $k$ 个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。

假设簇划分为 $(C_{1}, C_{2},..., C_{k})$，$|C_{i}|$ 表示簇中的向量个数，为每个簇选择一个代表向量 $mu_{i}$，我们的目标是最小化平方误差：

$$L = sum_{i = 1}^{k}sum_{x in C_{i}}^{}|x - mu_{i}|^{2}$$

计算每个簇中的所有向量到其代表向量欧氏距离的平方和，然后将所有的误差平方和累加就得到上面的误差函数。

怎么求这个函数的最优值呢？

可以观察到函数中每个向量所属的类和每个簇的代表向量都不知道，采用的思路是先固定 $A$，调整 $B$ 来使 $L$ 降低，降到最低之后再固定 $B$ 来调整 $A$。

首先假设已知每个向量所属的类别，如何求解最优的代表向量？

$n$ 个样本，$k$ 个类，将每个样本所属的类构成一个 $n imes k$ 矩阵 $r_{n imes k}$，形如

$$r_{5 imes 4} = egin{bmatrix}
0 & 0 & 0 & 1 \
0 & 1 & 0 & 0 \
1 & 0 & 0 & 0 \
1 & 0 & 0 & 0 \
0 & 1 & 0 & 0
end{bmatrix}$$

每行对应的那个 $1$ 代表样本所属的类别，一共 $5$ 行即 $5$ 个样本，每个样本属于唯一的一个类别，即

$$r_{nk} = left{egin{matrix}
1 & if ; k = arg min_{j} | x_{n} - mu_{j} |^{2}  \
0 & otherwise
end{matrix} ight.$$

现在将目标函数写为

$$L = sum_{i = 1}^{n}sum_{j = 1}^{k}r_{ij}left ( x_{i} - u_{j} ight )^{2}$$

设矩阵 $r_{nk}$ 已知，即样本都已经被分类好，$mu_{j},j = 1,2,...,k$ 为未知数，对 $u_{j}$ 求导数得

$$frac{dL}{dmu_{j}} = -2sum_{i = 1}^{n}r_{ij}left (x_{i} - mu_{j}  ight )$$

令上式为 $0$ 可得

$$mu_{j} = frac{sum_{i = 1}^{n}r_{ij}x_{i}}{sum_{i = 1}^{n}r_{ij}}$$

所以代表向量为均值向量时，簇内所有元素到其距离平方和最小，即

$$mu_{i} = frac{1}{|C_{i}|}sum_{x in C_{i}}^{}x$$

在已知每个样本所属类别的情况下，只要将均值向量作为代表向量，$L$ 就会被调整到当前最低值。

那接下来固定代表向量，重新按照样本到代表向量距离最小的原则调整每个样本所属的簇，调整之后会使目标函数 $L$ 继续减小。

$k-means$ 算法就是这样交替调整，逐步降低误差，步骤如下：

    1）首先要注意的是 $k$ 值的选择，一般来说，我们会根据对数据的先验经验选择一个合适的 $k$ 值。

    2）在确定了最终所要分出的类别 $k$ 后，接着随机选择 $k$ 个向量构成 $k$ 个簇，因为最开始每个簇内都只有一个点，所以

       这个点本身就是均值向量。

    3）对数据集内的每一点 $x$，计算它到 $k$ 个均值向量 $mu_{i},i=1,2...,k$ 的欧氏距离，将它归入距离最小的那个簇，即

$$i = arg ; min_{i}|x - mu_{i}| \
C_{i} = C_{i} cup {x_{i}}$$

    4）按下面方法重新计算每个簇的均值向量，如果所有的 $k$ 个质心向量都没有发生变化，则停止迭代，输出结果; 否则转到第 3）步。

$$mu_{i} = frac{1}{|C_{i}|}sum_{x in C_{i}}^{}x$$