聚类算法K-Means, K-Medoids, GMM, Spectral clustering,Ncut
原文请戳：http://blog.csdn.net/abcjennifer/article/details/8170687
聚类算法是ML中一个重要分支，一般采用unsupervised learning进行学习，本文根据常见聚类算法分类讲解K-Means, K-Medoids, GMM, Spectral clustering，Ncut五个算法在聚类中的应用。
Clustering Algorithms分类
1. Partitioning approach:
建立数据的不同分割，然后用相同标准评价聚类结果。（比如最小化平方误差和）
典型算法：K-Means, K-Medoids
2. Model-based:
对于每个类假定一个分布模型，试图找到每个类最好的模型
典型算法：GMM（混合高斯）
3. Dimensionality Reduction Approach:
先降维，再聚类
典型算法：Spectral clustering，Ncut
下面分别解析~1. Partitioning approach
1.1.目标：
找出一个分割，使得距离平方和最小
1.2.方法：
Global optimal : 枚举所有partition
Heuristic method：K-Means, K-Medoids
1.3.K-Means算法：
a. 将数据分为k个非空子集
b. 计算每个类中心点（k-means<centroid>中心点是所有点的average），记为seed point
c. 将每个object聚类到最近seed point
d. 返回2，当聚类结果不再变化的时候stop
复杂度：
O（kndt）
-计算两点间距离：d
-指定类：O(kn) ,k是类数
-迭代次数上限：t
1.4.K-Medoids算法:
a. 随机选择k个点作为初始medoid
b.将每个object聚类到最近的medoid
c. 更新每个类的medoid，计算objective function
d. 选择最佳参数
e. 返回b，当各类medoid不再变化的时候stop
复杂度：
O（(n^2)d）
-计算各点间两两距离O（(n^2)d）
-指定类：O(kn) ,k是类数
1.5.特点：
-聚类结果与初始点有关（因为是做steepest descent from a random initial starting oint）
-是局部最优解
-在实际做的时候，随机选择多组初始点，最后选择拥有最低TSD（Totoal Squared Distance）的那组
1.6. KMeans和KMedoid的实现
2. Model-based——GMM（Gaussian Mixture Model）
1.GMM概念：
-将k个高斯模型混合在一起，每个点出现的概率是几个高斯混合的结果。
-假设有K个高斯分布，每个高斯对data points的影响因子为πk，数据点为x，高斯参数为theta，则
-要估计的模型参数为每个类的影响因子πk，每个类的均值（μk）及协方差矩阵（Σk）
2. GMM的似然函数：
log-likelihood function:
假设N个点的分布符合i.i.d，则有似然函数
问题是，对于这样的一个似然函数，用gradient descent的方法很难进行参数估计（可证明）
所以用前面我们讲过的EM（expectation maximization）算法进行估计：
引入中间latent项z(i)，其分布为Q,用EM算法，就有上面的恒等，那么为什么是恒等呢？来看看讲EM的这篇文章，第三张的开头写的，
=constant，也就是说与z(i)无关了，而等于p(x(i)；theta)，这也就是说可以用混合高斯模型的概率表示了。
3. EM具体应用到GMM参数求解问题：
E-step: 根据已有observed data和现有模型估计missing data：Qi(zk)
M-step: 已经得到了Q，在M-step中进行最大似然函数估计（可以直接用log-likelihood似然函数对参数求偏导）
4. GMM的实现
5. K-Means与GMM的比较：
-KMeans：
-GMM：
3. Dimensionality Reduction Approach: Spectral Clustering
1. Spectral clustering要解决的问题：
上面的KMeans不能能解决一些问题，如图所示：
而这种问题可以通过谱聚类（spectral clustering）解决。将数据展开到两个特征向量空间，即得：
下面我们介绍谱分解的算法~
2.clustering objectives:
将边权赋值为两点之间的similarity，做聚类的目标就是最小化类间connection的weight。
比如对于下面这幅图，分割如下
但是这样有可能会有问题，比如：
由于Graph cut criteria 只考虑了类间差小，而没考虑internal cluster density.所以会有上面分割的问题。这里引入Normalised-cut(Shi & Malik, 97')。
3. 改进版：Ncut
-consider the connection between groups relative to the density of each group:
其中，vol 是每个group的volume，也就是normalize by group volume.
最后的目标是最小化Ncut(A,B).
4. Ncut 的求解：
-Matrix Representation:
-Objective Function of Ncut:
详见wiki上的求解过程，这里不再赘述。
关于Machine Learning更多的学习资料与相关讨论将继续更新，敬请关注本博客和新浪微博Rachel Zhang 。
