机器学习--K-Means
K均值聚类
算法过程
K − m e a n s K-means K−means 是 聚类 c l u s t e r i n g clustering clustering 算法的一种，就是给你一坨东西，让你给他们分类：
我们的 K − m e a n s K-means K−means 大概是这样一个流程：
- 第一步随机生成两个点（因为这里我想分两类，你想分几类你就弄几个点），标记为两个聚类中心 c l u s t e r c e n t r i o d cluster \; centriod clustercentriod，像这样：
- 然后重复以下两个步骤：
1. 遍历每个点 x ( i ) x^{(i)} x(i)，分别计算点 x ( i ) x^{(i)} x(i) 到两个聚类中心的距离 d 1 d_1 d1 和 d 2 d_2 d2，然后比较大小。并标记这个点为距离更小的那一类
2. 分别遍历同一类的所有点，计算这些点的几何平均位置，并把聚类中心移动到这个位置
这样说起来可能很抽象，我们还是用图像来更清晰的表示一下这个过程：
图画到这里我们就能明显的观察到两个聚类已经被划分好了。
优化目标函数
像前面介绍的线性回归、逻辑回归、 S V M SVM SVM 一样，这里的 K − m e a n s K-means K−means 也有一个用于优化的函数：
n o t a t i o n notation notation： c i c_i ci 表示点 x i x_i xi 的类别， μ k \mu_k μk 表示聚类中心 k k k， μ c i \mu_{c_i} μci 表示 x i x_i xi 所属的那个聚类中心
J ( c 1 , ⋯ , c m , μ 1 , ⋯ , μ K ) = 1 m ∑ i = 1 m ∣ x i − μ c i ∣ 2 J(c_1, \cdots, c_m, \mu_1, \cdots, \mu_K) = \frac{1}{m}\sum_{i = 1}^m |x_i - \mu_{c_i}|^2 J(c1,⋯,cm,μ1,⋯,μK)=m1i=1∑m∣xi−μci∣2
我们要做的就是：
min c , μ J ( c 1 , ⋯ , c m , μ 1 , ⋯ , μ K ) \min\limits_{c, \mu} J(c_1, \cdots, c_m, \mu_1, \cdots, \mu_K) c,μminJ(c1,⋯,cm,μ1,⋯,μK)
看得出来，这就是要最小化所有点 x i x_i xi 与其所属的聚类中心 μ x i \mu_{x_i} μxi 的距离的平方和。
跑 114514 114514 114514次 k − m e a n s k-means k−means
可能你也注意到了，我们如果只跑一遍 k − m e a n s k-means k−means 的话可能不会得到一个很好的分类方案，所以我们考虑每次随机初始化聚类中心，然后跑很多遍（取决于你的数据规模和时间） k − m e a n s k-means k−means，对于每次计算出来的 c , μ c, \mu c,μ 算出它的 J ( c , μ ) J(c, \mu) J(c,μ)，然后在其中选择 J ( c , μ ) J(c, \mu) J(c,μ) 最小的那个分类方案作为最后的答案。