K-Means 算法 | 酷殼 - CoolShell.cn

K-Means 算法

2012年6月29日 陳皓 發(fā)表評論 閱讀評論 13,428 人閱讀 ? ?

最近在學(xué)習(xí)一些數(shù)據(jù)挖掘的算法，看到了這個算法，也許這個算法對你來說很簡單，但對我來說，我是一個初學(xué)者，我在網(wǎng)上翻看了很多資料，發(fā)現(xiàn)中文社區(qū)沒有把這個問題講得很全面很清楚的文章，所以，把我的學(xué)習(xí)筆記記錄下來，分享給大家。

在數(shù)據(jù)挖掘中，? k -Means 算法 是一種? cluster analysis ?的算法，其主要是來計算數(shù)據(jù)聚集的算法，主要通過不斷地取離種子點最近均值的算法。

問題

K-Means算法主要解決的問題如下圖所示。我們可以看到，在圖的左邊有一些點，我們用肉眼可以看出來有四個點群，但是我們怎么通過計算機程序找出這幾個點群來呢？于是就出現(xiàn)了我們的K-Means算法（ Wikipedia鏈接 ）

K-Means 要解決的問題

算法概要

這個算法其實很簡單，如下圖所示：

?

K-Means 算法概要

從上圖中，我們可以看到， A, B, C, D, E 是五個在圖中點。而灰色的點是我們的種子點，也就是我們用來找點群的點 。有兩個種子點，所以K=2。

然后，K-Means的算法如下：

1. 隨機在圖中取K（這里K=2）個種子點。
2. 然后對圖中的所有點求到這K個種子點的距離，假如點Pi離種子點Si最近，那么Pi屬于Si點群。（上圖中，我們可以看到A,B屬于上面的種子點，C,D,E屬于下面中部的種子點）
3. 接下來，我們要移動種子點到屬于他的“點群”的中心。（見圖上的第三步）
4. 然后重復(fù)第2）和第3）步，直到，種子點沒有移動（我們可以看到圖中的第四步上面的種子點聚合了A,B,C，下面的種子點聚合了D，E）。

這個算法很簡單，但是有些細節(jié)我要提一下，求距離的公式我不說了，大家有初中畢業(yè)水平的人都應(yīng)該知道怎么算的。我重點想說一下“求點群中心的算法”

求點群中心的算法

一般來說，求點群中心點的算法你可以很簡的使用各個點的X/Y坐標的平均值。不過，我這里想告訴大家另三個求中心點的的公式：

1）Minkowski Distance 公式 —— ?λ 可以隨意取值，可以是負數(shù)，也可以是正數(shù)，或是無窮大。

2）Euclidean Distance 公式 —— 也就是第一個公式?λ=2 的情況

3）CityBlock Distance 公式 ——?也就是第一個公式?λ=1 的情況

這三個公式的求中心點有一些不一樣的地方，我們看下圖（對于第一個 λ 在 0-1之間）。

? ? ?

（1）Minkowski Distance ? ? （2） Euclidean Distance ? ?（3）? CityBlock Distance

上面這幾個圖的大意是他們是怎么個逼近中心的，第一個圖以星形的方式，第二個圖以同心圓的方式，第三個圖以菱形的方式。

K-Means的演示

如果你以” K Means Demo “為關(guān)鍵字到Google里查你可以查到很多演示。這里推薦一個演示

http://home.dei.polimi.it/matteucc/Clustering/tutorial_html/AppletKM.html

操作是，鼠標左鍵是初始化點，右鍵初始化“種子點”，然后勾選“Show History”可以看到一步一步的迭代。

注：這個演示的鏈接也有一個不錯的 K Means Tutorial 。

K-Means ++ 算法

K-Means主要有兩個最重大的缺陷——都和初始值有關(guān)：

• ?K 是事先給定的，這個 K 值的選定是非常難以估計的。很多時候，事先并不知道給定的數(shù)據(jù)集應(yīng)該分成多少個類別才最合適。（? ISODATA 算法 通過類的自動合并和分裂，得到較為合理的類型數(shù)目 K）

• K-Means算法需要用初始隨機種子點來搞，這個隨機種子點太重要，不同的隨機種子點會有得到完全不同的結(jié)果。（ K-Means++算法 可以用來解決這個問題，其可以有效地選擇初始點）

我在這里重點說一下?K-Means++算法步驟：

1. 先從我們的數(shù)據(jù)庫隨機挑個隨機點當“種子點”。
2. 對于每個點，我們都計算其和最近的一個“種子點”的距離D( x )并保存在一個數(shù)組里，然后把這些距離加起來得到Sum(D( x ))。
3. 然后，再取一個隨機值，用權(quán)重的方式來取計算下一個“種子點”。這個算法的實現(xiàn)是，先取一個能落在Sum(D( x ))中的隨機值Random，然后用Random?-=?D( x )，直到其<=0，此時的點就是下一個“種子點”。
4. 重復(fù)第（2）和第（3）步直到所有的K個種子點都被選出來。
5. 進行K-Means算法。

相關(guān)的代碼你可以在這里找到“ implement the K-means++ algorithm ”(墻) 另， Apache 的通用數(shù)據(jù)學(xué)庫也實現(xiàn)了這一算法

K-Means 算法應(yīng)用

看到這里，你會說，K-Means算法看來很簡單，而且好像就是在玩坐標點，沒什么真實用處。而且，這個算法缺陷很多，還不如人工呢。是的，前面的例子只是玩二維坐標點，的確沒什么意思。但是你想一下下面的幾個問題：

1）如果不是二維的，是多維的，如5維的，那么，就只能用計算機來計算了。

2）二維坐標點的X, Y 坐標，其實是一種向量，是一種數(shù)學(xué)抽象。現(xiàn)實世界中很多屬性是可以抽象成向量的，比如，我們的年齡，我們的喜好，我們的商品，等等，能抽象成向量的目的就是可以讓計算機知道某兩個屬性間的距離。如：我們認為，18歲的人離24歲的人的距離要比離12歲的距離要近，鞋子這個商品離衣服這個商品的距離要比電腦要近，等等。

只要能把現(xiàn)實世界的物體的屬性抽象成向量，就可以用K-Means算法來歸類了 。

在 《 k均值聚類(K-means) 》?這篇文章中舉了一個很不錯的應(yīng)用例子，作者用亞洲15支足球隊的2005年到1010年的戰(zhàn)績做了一個向量表，然后用K-Means把球隊歸類，得出了下面的結(jié)果，呵呵。

• 亞洲一流：日本，韓國，伊朗，沙特
• 亞洲二流：烏茲別克斯坦，巴林，朝鮮
• 亞洲三流：中國，伊拉克，卡塔爾，阿聯(lián)酋，泰國，越南，阿曼，印尼

其實，這樣的業(yè)務(wù)例子還有很多，比如，分析一個公司的客戶分類，這樣可以對不同的客戶使用不同的商業(yè)策略，或是電子商務(wù)中分析商品相似度，歸類商品，從而可以使用一些不同的銷售策略，等等。

最后給一個挺好的算法的幻燈片： http://www.cs.cmu.edu/~guestrin/Class/10701-S07/Slides/clustering.pdf

（全文完）

K-Means 算法 | 酷殼 - CoolShell.cn