文章目录
- 一，有监督学习与无监督学习
- 二，Kmeans算法
- （一）Kmeans算法原理
- （二）Kmeans算法步骤
- （三）Kmeans的优化
- 三，Kmeans优缺点
- 四，例题
一，有监督学习与无监督学习
有监督学习：有监督学习我们接触过很多，例如线性回归模型，我们给模型一个x，会得到一个与之对应的，目的是使我们所得到的结果与真实结果y越接近越好 。
无监督学习：有很多数据并没有给定x所对应的真实结果y，这时候，只有x，我们根据x的自身特点来进行分类。Kmeans算法就是无监督学习的一种。
二，Kmeans算法
（一）Kmeans算法原理
假如空间内存在一批数据点，我们一般会认为距离越近的点他们是同一类的概率越大。选取K个点作为质心，对数据点的距离进行计算，一般采取欧式距离计算，距离哪个质心越近，那么这个数据点就归于哪一类。
（二）Kmeans算法步骤
损失函数，
其中
可以从公式中看出损失函数L的意义是所有数据点到每个质心的欧式距离和，目的是使得L最小，找出每个x所属的类别
步骤如下：
1，根据经验以及需求设置K个分类，
2，计算每个点到质心的距离，并讲其分配给距离质心最小的簇中
3，更新簇的质心，即，
4，重复2-3步，知道满足以下条件之一，停止分类
（1）聚类中心不在变化
（2）没有样本点分到其他类中
（3）损失函数L足够小
（三）Kmeans的优化
Kmeans++在Kmeans的基础上进行了改进
步骤如下：
1，从N个数据点中随机选取一个点作为初始的聚类中心，即
2，计算每个点到聚类中心的距离
3，选取距离最远的数据点作为新的聚类中心
4，重复2-3步知道找到K个聚类中心为止
但是，Kmeans++的后一个聚类中心要依赖于前一个聚类中心
三，Kmeans优缺点
优点：算法简单，速度快，便于理解，复杂度低，当簇近似高斯分布的时候，效果会很好，而且可以保证有较好的伸缩性
缺点：K值的选取影响分类结果。K越大分类越精细；K越小分类越粗糙。对异常值敏感。对于初始聚类中心点的设置非常敏感。
四，例题
假设数据挖掘的任务是将如下的八个点（用（x,y）代表位置）聚类为三个簇.A1（2,10）,A2（2,5）,A3（8,4）,B1（5,8）,B2（7,5）,B3（6,4）,C1（1,2）,C2（4,9）距离函数是欧几里得距离.假设初始我们选择A1,B1和C1分别为每个簇的中心,用k均值算法给出 ：
1，第一轮执行后的三个簇中心点为多少?
2，最后的三个簇是什么
解：由题目可知，将上述数据点聚成3类，题目要求使用欧式距离，将上述点整理成如下的表格
x | y | |
A1 | 2 | 10 |
A2 | 2 | 5 |
A3 | 8 | 4 |
B1 | 5 | 8 |
B2 | 7 | 5 |
B3 | 6 | 4 |
C1 | 1 | 2 |
C2 | 4 | 9 |
（一）第一轮
初始的聚类中心为A1,B1和C1，我们要算出每个点到这三个聚类中心的距离，距离哪个聚类中心最小，就把这个点归于哪一类
拿A2与A1进行距离，算欧氏距离
A1 | B1 | C1 | |
A2 | min | ||
A3 | min | ||
B2 | min | ||
B3 | min | ||
C2 | min |
算出欧式距离进行比较发现，
第一轮
A1 (2,10)
B1（5,8）,A3（8,4）,B2（7,5）,B3（6,4）,C2（4,9）
C1（1,2）,A2（2,5）
由此第一轮分类结果已出现，根据第一轮的分类结果重新计算聚类中心
第一个聚类中心为（2，10）
第二个聚类中心为（6，6）
计算方法为：（5+8+7+6+4）/5 = 6，（8+4+5+4+9）/5 = 6
第三个聚类中心为（1.5，3.5）
计算方法为：（1+2）/2 = 1.5，（2+5）/2 = 3.5
（二）第二轮
第二轮的聚类中心已知，所以将A1-C2的每个点与三个聚类中心算欧式聚类，然后进行比较选取最小的距离
（2.10） | （6，6） | （1.5，3.5） | |
A1 | min | ||
A2 | min | ||
A3 | min | ||
B1 | min | ||
B2 | min | ||
B3 | min | ||
C1 | min | ||
C2 | min |
由此可知第二轮的最后结果为如下的三类：
｛A1(2,10),B1（5,8）,C2（4,9）｝
｛A3（8,4）,B2（7,5）,B3（6,4）｝
｛C1（1,2）,A2（2,5）
