来源： https://www.biaodianfu.com

机器学习聚类算法之K-Means

根据训练样本中是否包含标签信息，机器学习可以分为监督学习和无监督学习。聚类算法是典型的无监督学习，其训练的样本中值包含样本的特征，不包含样本的标签信息。在聚类算法中。利用样本的特征，将具有相似属性的样本划分到统一类别中，它有点像全自动分类。

K-Means算法

K-Means算法，也被称为K-平均或K-均值算法，是一种广泛使用的聚类算法。K-Means算法是聚焦于相似的无监督的算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。之所以被称为K-Means是因为它可以发现k个不同的簇，且每个簇的中心采用簇中所含值的均值计算而成。

在介绍K-Means算法之前，先讨论下簇识别（cluster identification）。簇识别给出聚类结果的含义。假定有一些数据，现在将相似的数据归在一起，簇识别会告诉我们这些簇到达都是些什么。聚类和分类最大的不同在于，分类的目标事先已知，而聚类则不一样。因为其产生的结果和分类相同，而只是类别没有预先定义。K-Means是发现给定数据集的k个簇的算法。簇个数k是用户给定的，每一个簇通过其质心（centroid），即簇中所有点的中心来描述。

这个算法其实很简单，如下图所示：

从上图中，我们可以看到，A, B, C, D, E 是五个在图中点。而灰色的点是我们的种子点，也就是我们用来找点群的点。有两个种子点，所以K=2。

• 随机在图中取K（这里K=2）个种子点。
• 然后对图中的所有点求到这K个种子点的距离，假如点Pi离种子点Si最近，那么Pi属于Si点群。（上图中，我们可以看到A,B属于上面的种子点，C,D,E属于下面中部的种子点）
• 接下来，我们要移动种子点到属于他的“点群”的中心。（见图上的第三步）
• 然后重复第2）和第3）步，直到种子点没有移动（我们可以看到图中的第四步上面的种子点聚合了A,B,C，下面的种子点聚合了D，E）。

K-Means算法步骤：

• 初始化常数K，随机初始化k个聚类中心
• 重复计算以下以下过程，知道聚类中心不再改变
  • 计算每个样本与每个聚类中心点的距离，将样本划分到最近的中心点
  • 计算划分到每个类别中的所有样本特征的均值，并将该均值作为每个类新的聚类中心
• 输出最终的聚类中心以及每个样本所属的类别。

算法中使用到距离可以是任何的距离计算公式，最常用的是欧氏距离，应用时具体应该选择哪种距离计算方式，需要根据具体场景确定。

Python实现：

from matplotlib import pyplot as plt

def euclidean_distance(vecA, vecB):

'''计算vecA与vecB之间的欧式距离'''

# return np.sqrt(np.sum(np.square(vecA - vecB)))

return np.linalg.norm(vecA - vecB)

def random_centroids(data, k):

dim = np.shape(data)[1]  # 获取向量的维度

centroids = np.mat(np.zeros((k, dim)))

for j in range(dim):  # 随机生成每一维中最大值和最小值之间的随机数

min_j = np.min(data[:, j])

range_j = np.max(data[:, j]) - min_j

centroids[:, j] = min_j * np.mat(np.ones((k, 1))) + np.random.rand(k, 1) * range_j

def KMeans(data, k, distance_func=euclidean_distance):

'''根据k-means算法求解聚类的中心'''

m = np.shape(data)[0]  # 获得行数m

cluster_assment = np.mat(np.zeros((m, 2)))  # 初试化一个矩阵，用来记录簇索引和存储距离平方

centroids = random_centroids(data, k)  # 生成初始化点

cluster_changed = True  # 判断是否需要重新计算聚类中心

while cluster_changed:

cluster_changed = False

for i in range(m):

distance_min = np.inf  # 设置样本与聚类中心之间的最小的距离，初始值为正无穷

index_min = -1  # 所属的类别

for j in range(k):

distance_ji = distance_func(centroids[j, :], data[i, :])

if distance_ji < distance_min:

distance_min = distance_ji

index_min = j

if cluster_assment[i, 0] != index_min:

cluster_changed = True

cluster_assment[i, :] = index_min, distance_min  2  # 存储距离平方

for cent in range(k):  # 更新质心，将每个族中的点的均值作为质心

pts_in_cluster = data[np.nonzero(cluster_assment[:, 0].A == cent)[0]]

centroids[cent, :] = np.mean(pts_in_cluster, axis=0)

return centroids, cluster_assment

def show_cluster(data, k, centroids, cluster_assment):

num, dim = data.shape

mark = ['or', 'ob', 'og', 'oy', 'oc', 'om']

mark_index = int(cluster_assment[i, 0])

plt.plot(data[i, 0], data[i, 1], mark[mark_index])

plt.plot(centroids[i, 0], centroids[i, 1], 'o', markeredgecolor='k', markersize=16)

if __name__ == "__main__":

f = open("sz.txt", 'r')

data.append([float(line.split(',')[0]), float(line.split(',')[1])])

data = np.array(data)

centroids = random_centroids(data, k)

centroids, cluster_assment = KMeans(data, k)

show_cluster(data, k, centroids, cluster_assment)

执行结果：

K-Means++算法

k个初始化的质心的位置选择对最后的聚类结果和运行时间都有很大的影响，因此需要选择合适的k个质心。如果仅仅是完全随机的选择，有可能导致算法收敛很慢。K-Means++算法就是对K-Means随机初始化质心的方法的优化。K-Means++算法与K-Means算法最本质的区别是在k个聚类中心的初始化过程。

K-Means++ 算法的基本思路

K-Means++算法在聚类中心的初始化过程中的基本原则是使得初始的聚类中心之间的相互距离尽可能远，这样可以避免出现上述的问题。K-Means++算法的初始化过程如下所示：

• 在数据集中随机选择一个样本点作为第一个初始化的聚类中心
• 选择出其余的聚类中心：
  • 计算样本中的每一个样本点与已经初始化的聚类中心之间的距离，并选择其中最短的距离，记为d_i
  • 选择一个新的数据点作为新的聚类中心，选择的原则是：距离较大的点，被选取作为聚类中心的概率较大
  • 重复上述过程，直到k个聚类中心都被确定
• 对k个初始化的聚类中心，利用K-Means算法计算最终的聚类中心。

Python实现：

def nearest(data, cluster_centers, distance_func=euclidean_distance):

m = np.shape(cluster_centers)[0]  # 当前已经初始化的聚类中心的个数

d = distance_func(data, cluster_centers[i, ])  # 计算point与每个聚类中心之间的距离

if min_dist > d:  # 选择最短距离

def get_centroids(data, k, distance_func=euclidean_distance):

m, n = np.shape(data)

cluster_centers = np.mat(np.zeros((k, n)))

index = np.random.randint(0, m)  # 1、随机选择一个样本点为第一个聚类中心

cluster_centers[0, ] = np.copy(data[index, ])

d = [0.0 for _ in range(m)]  # 2、初始化一个距离的序列

for i in range(1, k):

for j in range(m):

d[j] = nearest(data[j, ], cluster_centers[0:i, ], distance_func)  # 3、对每一个样本找到最近的聚类中心点

sum_all += d[j]  # 4、将所有的最短距离相加

sum_all *= random()  # 5、取得sum_all之间的随机值

for j, di in enumerate(d):  # 6、获得距离最远的样本点作为聚类中心点

sum_all -= di

if sum_all > 0:

cluster_centers[i] = np.copy(data[j, ])

return cluster_centers

执行结果：（计算出来的最终聚类中心与K-Means在正常情况下计算出来的聚类中心一致）

二分K-Means算法

K-Means是一种最大期望算法，这类算法会在“期望”和“最大化”两个阶段不断迭代。比如K-Means的期望阶段是将各个点分配到它们所“期望”的分类中，然后在最大化阶段重新计算中心点的位置。再继续讨论K-Means算法之前，我想先介绍一下登山式算法。

假设我们想要登上一座山的顶峰，可以通过以下步骤实现：

• 在山上随机选取一个点作为开始
• 向高处爬一点
• 重复第2步，直到没有更高的点

这种做法看起来很合理，比如对于下图所示的山峰：

无论我们从哪个点开始攀登，最终都可以达到顶峰。但对于下面这张图：

所以说，这种简单的登山式算法并不一定能得到最优解。K-Means就是这样一种算法，它不能保证最终结果是最优的，因为我们一开始选择的中心点是随机的，很有可能就会选到上面的A点，最终获得局部最优解B点。因此，最终的聚类结果和起始点的选择有很大关系。但尽管如此，K-Means通常还是能够获得良好的结果的。

K-Means算法收敛，但是聚类效果较差的原因是，K-Means算法收敛到了局部最小值，而非全局最小值（局部最小值指结果还可以但并非最好结果，全局最小值是可能的最好结果）。

一种用于度量聚类效果的指标是是SSE（Sum of Squared Error，误差平方和），对应上面Python程序中的cluster_assment矩阵的第1列之和。SSE值越小表示数据点越接近他们的质心，聚类效果也最好。因为对误差取了平方，因此更加重视远离中心的点。一种肯定可以降低SSE的方法是增加族的个数，但这违背了聚类的目标。聚类的目标是在保持簇数目不变的情况下提高簇的质量。

$$
SSE = sum{i=1}^{k}sum{xepsilon c_i}{dist(c_i,x)^2}
$$

如何对下图的的结果进行改进？你只可以多生成的簇进行后处理，一种方法是将具有最大SSE值的簇划分成为2个簇。具体实现时可以将最大簇包含的点过滤出来并在这些点上运行K-Means算法，其中k设为2。

为了保持簇总数不变，可以将某两个簇进行合并。从上图中很明显就可以看出，应该将上图下部两个出错的簇质心进行合并。那么问题来了，我们可以很容易对二维数据上的聚类进行可视化， 但是如果遇到40维的数据应该如何去做？

有两种可以量化的办法：合并最近的质心，或者合并两个使得SSE增幅最小的质心。 第一种思路通过计算所有质心之间的距离， 然后合并距离最近的两个点来实现。第二种方法需要合并两个簇然后计算总SSE值。必须在所有可能的两个簇上重复上述处理过程，直到找到合并最佳的两个簇为止。接下来将讨论利用上述簇划分技术得到更高的聚类结果的方法。

为克服K-Means算法收敛于局部最小的问题，有人提出了另一种称为二分K-Means(bisecting K-Means)的算法。该算法首先将所有点作为一个簇，然后将该簇一分为二。之后选择其中一个簇继续进行划分，选择哪一个簇进行划分取决于对其划分时候可以最大程度降低 SSE（平方和误差）的值。上述基于 SSE 的划分过程不断重复，直到得到用户指定的簇数目为止。

二分 K-Means 聚类算法伪代码：

• 将所有点看成一个簇
• 当簇数目小于 k 时，对于每一个簇
  • 计算总误差
  • 在给定的簇上面进行 KMeans 聚类（k=2）
  • 计算将该簇一分为二之后的总误差
• 选择使得误差最小的那个簇进行划分操作

另一种做法是选择 SSE 最大的簇进行划分，直到簇数目达到用户指定的数目位置。

Python实现：

def bisecting_KMeans(data, k, distance_func=euclidean_distance):

m = np.shape(data)[0]  # 获得行数m

cluster_assment = np.mat(np.zeros((m, 2)))  # 初试化一个矩阵，用来记录簇索引和存储距离平方

centroid0 = np.mean(data, axis=0).tolist()[0]  # 质心初始化为所有数据点的均值

cent_list = [centroid0]  # 初始化只有1个质心的list

for j in range(m):  # 计算所有数据点到初始质心的距离平方误差

cluster_assment[j, 1] = distance_func(np.mat(centroid0), data[j, :])  2  # 计算距离的评分

while len(cent_list) < k:

lowest_SSE = np.inf

for i in range(len(cent_list)):

pts_in_curr_cluster = data[np.nonzero(cluster_assment[:, 0].A == i)[0], :]  # 获取当前簇i下的所有数据点

centroid_mat, split_cluster_ass = KMeans(pts_in_curr_cluster, 2, distance_func)  # 将当前簇i进行二分kMeans处理

sse_split = sum(split_cluster_ass[:, 1])  # 将二分 kMeans 结果中的平方和的距离进行求和

sse_not_split = sum(

cluster_assment[np.nonzero(cluster_assment[:, 0].A != i)[0], 1])  # 将未参与二分kMeans分配结果中的平方和的距离进行求和

if (sse_split + sse_not_split) < lowest_SSE:  # 总（未拆分和已拆分）误差和越小，越相似，效果越优化，划分的结果更好

best_cent_to_split = i

best_new_cents = centroid_mat

best_cluster_ass = split_cluster_ass.copy()

lowest_SSE = sse_split + sse_not_split

best_cluster_ass[np.nonzero(best_cluster_ass[:, 0].A == 1)[0], 0] = len(cent_list)  # 调用二分 kMeans 的结果，默认簇是 0,1. 当然也可以改成其它的数字

best_cluster_ass[np.nonzero(best_cluster_ass[:, 0].A == 0)[0], 0] = best_cent_to_split  # 更新为最佳质心

cent_list[best_cent_to_split] = best_new_cents[0, :].tolist()[0]  #更新原质心list中的第i个质心为使用二分kMeans后bestNewCents的第一个质心

cent_list.append(best_new_cents[1, :].tolist()[0])  # 添加 bestNewCents 的第二个质心

cluster_assment[np.nonzero(cluster_assment[:, 0].A == best_cent_to_split)[0],:] = best_cluster_ass  # 重新分配最好簇下的数据（质心）以及SSE

return np.mat(cent_list), cluster_assment

采用同样数据，使用二分K-Means计算的结果如下：（可以看到小部分差别）

Mini Batch K-Means算法

传统的K-Means算法中需要计算所有样本点到所有质心的距离，计算复杂度较高。如果样本量非常大的情况下，比如数据量达到10万，特征在100以上，此时用传统K-Means算法非常耗时。因此有了一种分批处理的改进算法Mini Batch K-Means。

Mini Batch K-Means算法是K-Means算法的变种，采用小批量的数据子集减小计算时间，同时仍试图优化目标函数，这里所谓的小批量是指每次训练算法时所随机抽取的数据子集，采用这些随机产生的子集进行训练算法，大大减小了计算时间，与其他算法相比，减少了k-均值的收敛时间，小批量k-均值产生的结果，一般只略差于标准算法。

该算法的迭代步骤有两步：

• 从数据集中随机抽取一些数据形成小批量，把他们分配给最近的质心
• 更新质心

与K均值算法相比，数据的更新是在每一个小的样本集上。对于每一个小批量，通过计算平均值得到更新质心，并把小批量里的数据分配给该质心，随着迭代次数的增加，这些质心的变化是逐渐减小的，直到质心稳定或者达到指定的迭代次数，停止计算。

Mini Batch K-Means比K-Means有更快的 收敛速度，但同时也降低了聚类的效果，但是在实际项目中却表现得不明显，有差异的基本都是聚类边界上的点。这是一张k-means和mini batch k-means的实际效果对比图。

Elkan K-Means算法

在传统的K-Means算法中，我们在每轮迭代时，要计算所有的样本点到所有的质心的距离，这样会比较的耗时。那么，对于距离的计算有没有能够简化的地方呢？Elkan K-Means算法就是从这块入手加以改进。它的目标是减少不必要的距离的计算。那么哪些距离不需要计算呢？

Elkan K-Means利用了两边之和大于等于第三边,以及两边之差小于第三边的三角形性质，来减少距离的计算。

传统K-Means算法中，我们每次迭代时都要计算所有样本点到所有质心之间的距离，那么有没有什么方法来减少计算次数呢? Elkan K-Means算法提出利用两边之和大于第三边、两边之差小于第三边的三角形特性来减少距离的计算。

• 对于一个样本点x和两个质心$mu _{j1}$、$mu {j_2}$，如果我们预先计算出这两个质心之间的距离$D(j_1,j_2)$，如果发现$2D(x,j_1) leq D(j_1,j_2)$，那么我们便能得到$D(x,j_1)leq D(x,j_2)$。此时我们不再计算$D(x,j_2)$，也就节省了一步距离计算。
• 对于一个样本点x和两个质心$mu _{j1}$、$mu {j_2}$，我们能够得到$D(x,j_2)leq max{0,D(x,j1)-D(j_1,j_2)}$。这个从三角形的性质也很容易得到。

Elkan K-Means迭代速度比传统K-Means算法迭代速度有较大提高，但如果我们的样本特征是稀疏的，或者有缺失值的话，此种方法便不再使用。

K-Means小结

K-Means是个简单实用的聚类算法，这里对K-Means的优缺点做一个总结。

K-Means的主要优点有：

• 原理比较简单，实现也是很容易，收敛速度快（在大规模数据集上收敛较慢，可尝试使用Mini Batch K-Means算法）。
• 聚类效果较优。
• 算法的可解释度比较强。
• 主要需要调参的参数仅仅是簇数k。

K-Means的主要缺点有：

• K值的选取不好把握（实际中K值的选定是非常难以估计的，很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适。下篇博客专门讲这个）
• 对于不是凸的数据集比较难收敛（于密度的聚类算法更加适合，比如DBSCAN算法，后面再介绍DBSCAN算法）
• 如果各隐含类别的数据不平衡，比如各隐含类别的数据量严重失衡，或者各隐含类别的方差不同，则聚类效果不佳。
• 采用迭代方法，得到的结果只是局部最优。（可以尝试采用二分K-Means算法）
• 对噪音和异常点比较敏感。（改进1：离群点检测的LOF算法，通过去除离群点后再聚类，可以减少离群点和孤立点对于聚类效果的影响；改进2：改成求点的中位数，这种聚类方式即K-Mediods聚类）
• 对初始值敏感（初始聚类中心的选择，可以尝试采用二分K-Means算法或K-Means++算法）
• 时间复杂度高O(nkt)，其中n是对象总数，k是簇数，t是迭代次数。
• 只适用于数值型数据，只能发现球型类簇。