K-MEANS-算法-简述
1. 算法流程
输入:聚类个数k,以及包含 n个数据对象的数据库。 输出:满足方差最小标准的k个聚类。
(1)从n个数据对象任意选择k个对象作为初始聚类中心
(2)计算每个对象与聚类中心的距离;并根据最小距离重新对相应对象进行划分
(3)重新计算每个聚类的均值作为新的聚类中心
(4)循环(2)到(3)直到每个聚类不再发生变化为止
2. 算法分析
K-Means的优化目标可以表示为:
其中,x_n表示数据对象,μ_k表示中心点,r_nk在数据点n分配到类别k的时候为1,没有分配到类别k的时候为0。
整个算法通过迭代计算,找到合适的r_nk和μ_k来,使得J最小。
算法流程的第二步,固定μ_k,更新r_nk,将每个数据对象放到与其最近的聚类中心的类别中,自然这一步能够保证在固定μ_k的情况下,J的值降到了最小。
算法流程的第三步,固定r_nk,更新μ_k,此时J对μ_k(实际上是μ_0,μ_1,...分别求导)求导并令结果等于零,得到:
即,当新的中心点取每个类别中的中心值的时候,每个类别内部的标准距离下降最多。J是所有类别距离内部的距离之和,因此保证了的固定r_nk的情况下,J的值降到了最小。
两个步骤,J的值都在下降,随着迭代次数增加J的值会下降到一个极小值。
3. 结束条件
K-Means迭代的条件可以有如下几个:
· 每个聚类内部元素不在变化,这是最理想的情况了。
· 前后两次迭代,J的值相差小于某个阈值。
· 迭代超过一定的次数。
4. 缺点
· K值的设定难以估计,如果数据实际上是10个类别,设K=20,那么得到的结果很可能不好,如果设K=10,那么得到的结果很可能会很好。
· K确定了以后,初始中心也是一个问题,K个中心一旦选定了,就决定了聚类结果,选的好,聚类出来的结果就好。
个人认为主要的缺点是这两个,相应的也有一些改进方法,这里不涉及了,具体可参见参考中的百度百科_K-Means。
5. 重点
本文主要重点有两个:
K-Means的三个结束条件(不变化,J值变化较小,迭代次数)和两个缺点(K值,K个中心点)。
6. 参考
百度百科_K-MEANS http://baike.baidu.com/view/31854.htm
百度百科_K-Means http://baike.baidu.com/view/3066906.htm
漫谈 Clustering (1): k-means http://blog.pluskid.org/?p=17#comments