k均值聚類算法，是一種無監(jiān)督算法，該算法的主要作用是將相似的樣本自動歸到一個(gè)類別中。所謂的無監(jiān)督算法，就是輸入樣本沒有對應(yīng)的輸出或標(biāo)簽，而聚類試圖將數(shù)據(jù)集中的樣本劃分為若干個(gè)通常是不相交的子集，每個(gè)子集稱為一個(gè)簇。k均值聚類簡單易懂而且非常有效，但是確定合理的k值和k個(gè)初始類簇中心點(diǎn)對于聚類效果的好壞有很大的影響。

0 k均值聚類算法的主要學(xué)習(xí)內(nèi)容

1）基本原理

2）k的選擇及初始質(zhì)心

3）k均值的優(yōu)缺點(diǎn)

1  k均值聚類的基本原理

1.1  k均值聚類算法描述

k均值聚類算法中的一種，其中k表示類別數(shù)，是一種通過均值對數(shù)據(jù)點(diǎn)進(jìn)行聚類的算法。適用于大樣本，但需要事先指定分為k個(gè)類。

原理：從n個(gè)數(shù)據(jù)對象任意選擇k個(gè)對象作為初始聚類中心，對剩余的其他對象，則根據(jù)它們與k個(gè)聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；再計(jì)算每個(gè)所獲的新的聚類中心（該聚類中所有對象的均值）；不斷重復(fù)這一過程，知道標(biāo)準(zhǔn)測度函數(shù)開始收斂為止。

k均值聚類的特點(diǎn)：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。

1.2 k均值算法步驟

2 k值和初始質(zhì)心的選取

2.1 k值的選取

對于一個(gè)給定沒有分類的數(shù)據(jù)集，最后具體應(yīng)該分為多少類，這確實(shí)時(shí)一個(gè)讓人頭痛的問題。要使k均值最后分類結(jié)果最好，也就是要使k均值最小化，是要最小化所有的數(shù)據(jù)點(diǎn)與其所關(guān)聯(lián)的聚類中心點(diǎn)之間的距離之和，因此，我們可以設(shè)計(jì)k均值的代價(jià)函數(shù)為：

而k值在這里取到了重要作用。據(jù)統(tǒng)計(jì)發(fā)現(xiàn)k值的增加，其數(shù)據(jù)的代價(jià)損失是不斷變小，如圖，我們發(fā)現(xiàn)在k=3時(shí)，代價(jià)函數(shù)隨著k值變化的幅度顯著降低，在k>3之后所帶來的作用也沒有特別明顯，所以我們可以選擇k=3作為我們的聚類數(shù)目。

但實(shí)際應(yīng)用中，k值的變換規(guī)律都不是和上圖一樣存在突變點(diǎn)，即拐點(diǎn)。那么這時(shí)，k值的選擇主要還是根據(jù)經(jīng)驗(yàn)以及利用k均值聚類的目的來決定。

2.2聚類中心的初始化

一般，在實(shí)際應(yīng)用中，我們都是采取隨機(jī)產(chǎn)生k個(gè)點(diǎn)作為初始的聚類中心，其原因是，簡單快捷。

但k個(gè)初始化的質(zhì)心的位置選擇對最后的聚類結(jié)果和運(yùn)行時(shí)間都有很大的影響，因此需要選擇合適的k個(gè)質(zhì)心。如果僅僅是完全隨機(jī)的選擇，有可能導(dǎo)致算法收斂很慢。k-means++算法就是對k均值隨機(jī)初始化質(zhì)心方法的優(yōu)化。

k-means++算法對于初始化質(zhì)心的優(yōu)化策略也很簡單，如下：

k均值聚類算法舉例說明：

以下是一組用戶的年齡數(shù)據(jù)

我們將K值定義為2對用戶進(jìn)行聚類，并隨機(jī)選擇16和22作為兩個(gè)類別的初始質(zhì)心。

計(jì)算距離并劃分?jǐn)?shù)據(jù)

我們以圖的形式展示聚類的過程，在這組年齡數(shù)據(jù)中，我們選擇16和22作為兩個(gè)類別的初始質(zhì)心，并通過計(jì)算所有用戶的年齡值與初始質(zhì)心的距離對用戶進(jìn)行第一次分類。

通過計(jì)算每個(gè)用戶年齡分別與兩個(gè)初始質(zhì)心的距離，這里我們以黑色實(shí)心圓點(diǎn)表示兩者距離較大，如表2.2.3，第一個(gè)數(shù)據(jù)15，到初始初始質(zhì)心點(diǎn)16的距離為1，到第二個(gè)初始質(zhì)心22的距離為7，相比之下，15與16的距離更近，近的距離以空心圓點(diǎn)標(biāo)記。因此15這個(gè)年齡被劃分到質(zhì)心點(diǎn)為16的一組中，如果年齡數(shù)據(jù)點(diǎn)到兩個(gè)初始質(zhì)心的距離相等時(shí)，可任意劃分到這兩組中，例如，數(shù)據(jù)19到16和22的距離都為3，在這里，我們將它劃分到了22中。

上表，我們按歐式距離最小，即相似程度最高對數(shù)據(jù)分為組后，分別計(jì)算分組中數(shù)據(jù)的均值，得分別為15.33和36.25，并以這兩個(gè)均值作為新的質(zhì)心。用新的質(zhì)心代替原有的初始質(zhì)心，迭代計(jì)算每個(gè)年齡數(shù)據(jù)點(diǎn)到新質(zhì)心的距離，直到新的質(zhì)心和上一次的質(zhì)心相同為止。

表2.2.4，以年齡數(shù)據(jù)點(diǎn)到新質(zhì)心的距離值完成分組后，計(jì)算兩組的均值，為18.56和45.9，年齡數(shù)據(jù)點(diǎn)22到18.56的距離為3.44，到45.9的距離為23.9。因此年齡數(shù)據(jù)點(diǎn)22分配到質(zhì)心為18.56的分組中。

這兩個(gè)均值與上一次的質(zhì)心結(jié)果不一樣，故又用新得到的均值代替原來的質(zhì)心。在新的質(zhì)心下，計(jì)算數(shù)據(jù)點(diǎn)到新質(zhì)心的距離，并對比數(shù)據(jù)點(diǎn)到兩個(gè)新質(zhì)心的距離，選擇較小的距離值來確定數(shù)據(jù)點(diǎn)的分組。

表2.2.5，計(jì)算出的新的均值為19.50和47.89，與原來的均值不同，故將新均值代替原有均值作為現(xiàn)在的質(zhì)心。

算法停止條件

開始計(jì)算的第一步，我們就說迭代計(jì)算每個(gè)數(shù)據(jù)到新質(zhì)心的距離，直到新質(zhì)心和原質(zhì)心相同，算法就結(jié)束。使用上一步分組得到的均值19.5和47.89作為新質(zhì)心，并計(jì)算年齡數(shù)據(jù)點(diǎn)到新質(zhì)心的距離，以下計(jì)算結(jié)果。

使用質(zhì)心為19.50和47.89進(jìn)行數(shù)據(jù)分組，并計(jì)算每組的均值作為新的質(zhì)心，從表2.2.6可知，這里的均值和原質(zhì)心相等，也就是說新質(zhì)心與原質(zhì)心相同，都是19.50和47.89。這時(shí)算法停止計(jì)算，年齡數(shù)據(jù)點(diǎn)被劃分為兩類，對應(yīng)取值區(qū)間為15-28和35-65.這就是k均值聚類的一個(gè)全過程。

3 k均值聚類的總結(jié)

3.1 k均值聚類的優(yōu)點(diǎn)

1）原理簡單，容易實(shí)現(xiàn)

2）可解釋性較強(qiáng)

3）聚類效果較優(yōu)

3.2 k均值聚類的缺點(diǎn)：

1）K值很難確定

2）對噪音和異常點(diǎn)敏感

3）需樣本存在均值（限定數(shù)據(jù)種類）

4）采用迭代方法，得到的結(jié)果很有可能是局部最優(yōu)

5）對于非凸數(shù)據(jù)集或類別規(guī)模差異太大的數(shù)據(jù)效果不好

4 k均值聚類的應(yīng)用場景

1）股票k線聚類

2）商業(yè)銀行客戶分類

3）葡萄酒分級

4）高新技術(shù)信用評級

參考文獻(xiàn)

[1] https://www.cnblogs.com/zhzhang/p/5437778.html

[2] https://blog.csdn.net/stayfoolish_fan/article/details/51888717

[3] https://blog.51cto.com/janwool/2058124

[4] https://blog.csdn.net/qq_42828404/article/details/81906809

[5] https://blog.csdn.net/Dhane/article/details/86661208

[6] https://www.cnblogs.com/bourneli/p/3645049.html

(部分文字、圖片來自網(wǎng)絡(luò)，如涉及侵權(quán)，請及時(shí)與我們聯(lián)系，我們會在第一時(shí)間刪除或處理侵權(quán)內(nèi)容。電話：4006770986    負(fù)責(zé)人：張明）