K均值算法介绍

从没有标记过的数据中学习称之为非监督学习。
在非监督学习中,通过算法来定义一些数据的结构,将数据分别聚合到这些子集中,这种算法称之为聚类算法。

K均值 (K-means) 算法是最常用的一种聚类算法。

K-means算法

[x^{(1)},x^{(2)},x^{(3)},...,x^{(m)}]
假设有如上的数据集,可以看到只有输入x,没有输出y

下面说明一下K均值算法的过程

  1. 首先确认聚类的簇的个数,K=?
  2. 随机初始化K个聚类的中心点,\mu_1,\mu_2,...,\mu_k
  3. 集群分配:将所有的数据集分配到里离它最近的聚类中心,并用c^{(i)}表示聚类中心的索引。例如第3个样本x^{(3)},离它最近的一个聚类中心是第2个(\mu_2),那个c^{(3)}=2
    通过比较||x^{(i)}-\mu_k||^2的大小,算出x^{(i)}距离最近的中心点。
  4. 移动质心:每个聚类中心所分配到的样本,求出这些样本的平均值,然后将原来的聚类中心移到新的平均值点上。
  5. 重复3和4步骤,直到找到正确的聚类的簇。

优化目标

参数说明:

  • c^{(i)}=样本x^{(i)}所分配到的聚类中心点的索引
  • \mu_k=第k个聚类中心
  • \mu_{c^{(i)}}=样本x^{(i)}所分配到的聚类中心点

K均值算法的代价函数为:
J(c^{(1)},...,c^{(m)},\mu_1,...\mu_k) = \frac{1}{m}\sum_{i=1}^m ||x^{(i)}-\mu_{c^{(i)}}||^2

优化目标就是使用上面的代价函数最小化所有参数。

上述步骤中
第3步集群分配,是通过找到离样本最近的聚类中心点来最小化代价函数;
第4步移动质心,是通过改变样本和聚类中心点的距离来最小代价函数。
在K均值算法中,代价函数是一直下降的,不可能出现上升的情况。

初始化聚类中心

聚类中心的个数 K一般都是小于样本数量m的,因此可以随机取K个样本来作为聚类中心。

步骤

  • 确保聚类中心个数小于样本数量;
  • 随机取K个样本;
  • 将K个样本分配到聚类中心\mu_1,...\mu_k.

这样做的优点是方便快捷,缺点是不一定能够找到最佳的聚类中心,容易陷入局部最优。
这种陷入局部最优的情况在聚类中心过少时一般会出现,一般在K<10的情况下,解决办法是多次执行该步骤,比较代价函数的值,取最小值。

聚类中心数量的选择

聚类中心数量的选择没有固定的方法,跟主观上的判断有很大关系,也跟业务,以及一些客观条件,以及使用K均值算法的目标有关。

转载自:
https://codeeper.com/2020/02/06/tech/machine_learning/k_means_intro.html

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,864评论 6 494
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,175评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,401评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,170评论 1 286
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,276评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,364评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,401评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,179评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,604评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,902评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,070评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,751评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,380评论 3 319
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,077评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,312评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,924评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,957评论 2 351

推荐阅读更多精彩内容