k-means聚类算法

baifengbai

贡献于2016-05-09

字数:0 关键词:

K-means 聚类算法 JerryLead csxulijie@gmail.com K-means 也是聚类算法中最简单的一种了,但是里面包含的思想却是不一般。最早我使 用并实现这个算法是在学习韩爷爷那本数据挖掘的书中,那本书比较注重应用。看了 Andrew Ng 的这个讲义后才有些明白 K-means 后面包含的 EM 思想。 聚类属于无监督学习,以往的回归、朴素贝叶斯、SVM 等都是有类别标签 y 的,也就 是说样例中已经给出了样例的分类。而聚类的样本中却没有给定 y,只有特征 x,比如假设 宇宙中的星星可以表示成三维空间中的点集(x, y, z)。聚类的目的是找到每个样本 x 潜在的类 别 y,并将同类别 y 的样本 x 放在一起。比如上面的星星,聚类后结果是一个个星团,星团 里面的点相互距离比较近,星团间的星星距离就比较远了。 在聚类问题中,给我们的训练样本是*푥(1),…, 푥(푚)+,每个푥(푖) ∈ ℝ푛,没有了 y。 K-means 算法是将样本聚类成 k 个簇(cluster),具体算法描述如下: 1、 随机选取 k 个聚类质心点(cluster centroids)为휇1, 휇2,…, 휇푘 ∈ ℝ푛。 2、 重复下面过程直到收敛 { 对于每一个样例 i,计算其应该属于的类 对于每一个类 j,重新计算该类的质心 } K 是我们事先给定的聚类数,푐(i)代表样例 i 与 k 个类中距离最近的那个类,푐(i)的值是 1 到 k 中的一个。质心휇푗代表我们对属于同一个类的样本中心点的猜测,拿星团模型来解释就 是要将所有的星星聚成 k 个星团,首先随机选取 k 个宇宙中的点(或者 k 个星星)作为 k 个 星团的质心,然后第一步对于每一个星星计算其到 k 个质心中每一个的距离,然后选取距离 最近的那个星团作为푐(i),这样经过第一步每一个星星都有了所属的星团;第二步对于每一 个星团,重新计算它的质心휇푗(对里面所有的星星坐标求平均)。重复迭代第一步和第二步 直到质心不变或者变化很小。 下图展示了对 n 个样本点进行 K-means 聚类的效果,这里 k 取 2。 K-means 面对的第一个问题是如何保证收敛,前面的算法中强调结束条件就是收敛,可 以证明的是 K-means 完全可以保证收敛性。下面我们定性的描述一下收敛性,我们定义畸变 函数(distortion function)如下: J 函数表示每个样本点到其质心的距离平方和。K-means 是要将 J 调整到最小。假设当 前 J 没有达到最小值,那么首先可以固定每个类的质心휇푗,调整每个样例的所属的类别푐(i)来 让 J 函数减少,同样,固定푐(i),调整每个类的质心휇푗也可以使 J 减小。这两个过程就是内循 环中使 J 单调递减的过程。当 J 递减到最小时,μ和 c 也同时收敛。(在理论上,可以有多组 不同的μ和 c 值能够使得 J 取得最小值,但这种现象实际上很少见)。 由于畸变函数 J 是非凸函数,意味着我们不能保证取得的最小值是全局最小值,也就是 说 k-means 对质心初始位置的选取比较感冒,但一般情况下 k-means 达到的局部最优已经满 足需求。但如果你怕陷入局部最优,那么可以选取不同的初始值跑多遍 k-means,然后取其 中最小的 J 对应的μ和 c 输出。 下面累述一下 K-means 与 EM 的关系,首先回到初始问题,我们目的是将样本分成 k 个 类,其实说白了就是求每个样例 x 的隐含类别 y,然后利用隐含类别将 x 归类。由于我们事 先不知道类别 y,那么我们首先可以对每个样例假定一个 y 吧,但是怎么知道假定的对不对 呢?怎么评价假定的好不好呢?我们使用样本的极大似然估计来度量,这里是就是 x 和 y 的 联合分布 P(x,y)了。如果找到的 y 能够使 P(x,y)最大,那么我们找到的 y 就是样例 x 的最佳类 别了,x 顺手就聚类了。但是我们第一次指定的 y 不一定会让 P(x,y)最大,而且 P(x,y)还依赖 于其他未知参数,当然在给定 y 的情况下,我们可以调整其他参数让 P(x,y)最大。但是调整 完参数后,我们发现有更好的 y 可以指定,那么我们重新指定 y,然后再计算 P(x,y)最大时 的参数,反复迭代直至没有更好的 y 可以指定。 这个过程有几个难点,第一怎么假定 y?是每个样例硬指派一个 y 还是不同的 y 有不同 的概率,概率如何度量。第二如何估计 P(x,y),P(x,y)还可能依赖很多其他参数,如何调整里 面的参数让 P(x,y)最大。这些问题在以后的篇章里回答。 这里只是指出 EM 的思想,E 步就是估计隐含类别 y 的期望值,M 步调整其他参数使得 在给定类别 y 的情况下,极大似然估计 P(x,y)能够达到极大值。然后在其他参数确定的情况 下,重新估计 y,周而复始,直至收敛。 上面的阐述有点费解,对应于 K-means 来说就是我们一开始不知道每个样例x(푖)对应隐 含变量也就是最佳类别c(푖)。最开始可以随便指定一个c(푖)给它,然后为了让 P(x,y)最大(这 里是要让 J 最小),我们求出在给定 c 情况下,J 最小时的휇푗(前面提到的其他未知参数), 然而此时发现,可以有更好的c(푖)(质心与样例x(푖)距离最小的类别)指定给样例x(푖),那么c(푖) 得到重新调整,上述过程就开始重复了,直到没有更好的c(푖)指定。这样从 K-means 里我们 可以看出它其实就是 EM 的体现,E 步是确定隐含类别变量c,M 步更新其他参数μ来使 J 最 小化。这里的隐含类别变量指定方法比较特殊,属于硬指定,从 k 个类别中硬选出一个给样 例,而不是对每个类别赋予不同的概率。总体思想还是一个迭代优化过程,有目标函数,也 有参数变量,只是多了个隐含变量,确定其他参数估计隐含变量,再确定隐含变量估计其他 参数,直至目标函数最优。

下载文档,方便阅读与编辑

文档的实际排版效果,会与网站的显示效果略有不同!!

需要 10 金币 [ 分享文档获得金币 ] 0 人已下载

下载文档

相关文档