文章目录
一.聚类的基本概念
聚类是针对给定的样本,依据它们特征的 相似度或距离,将其归并到若千个“类”或“簇”的数据分析问题。一个类是样本的一个子集。直观上,相似的样本聚集在相同的类,不相似的样本分散在不同的类。这里,样本之间的相似度或距离起着重要作用。
1.1 相似度或距离
聚类的对象是观测数据,或样本集合。假设有 n 个样本,每个样本由 m 个属性的特征向量组成。样本集合可以用矩阵 X 表示矩阵的第 j 列表示第 j 个样本, 第 i 行表示第 i 个属性, 矩阵元素 表示第 j 个样本的第 i 个属性值, 。
聚类的核心概念是相似度(similarity) 或距离(distance) ,有多种相似度或距离的定义。因为相似度直接影响聚类的结果,所以其选择是聚类的根本问题。具体哪种相似度更合适取决于应用问题的特性。
1.闵可夫斯基距离
在聚类中,可以将样本集合看作是向量空间中点的集合,以该空间的距离表示样本之间的相似度。常用的距离有 闵可夫斯基距离,特别是 欧氏距离。闵可夫斯基距离越大相似度越小,距离越小相似度越大。
定义7.1 给定样本集合 , 是 维实数向量空间 中点的集合,其中 ,样本 与样本 的 **闵可夫斯基距离( Minkowski distance)**定义为
这里 。当 时称为 欧氏距离( Euclidean distance),即
当
时称为曼哈顿距离( Manhattan distance ),即
当p=∞时称为 切比雪夫距离( Chebyshev distance),取各个坐标数值差的绝对值的最大值,即
- 相关系数
样本之间的相似度也可以用 相关系数(correlation cofficient) 来表示。相关系数的绝对值越接近于1,表示样本越相似;越接近于0,表示样本越不相似。
1.2 类或簇
通过聚类得到的类或簇,本质是样本的子集。如果一个聚类方法假定一个样本只能属于一个类,或类的交集为空集,那么该方法称为 硬聚类(hard clustering) 方法。否则,如果一个样本可以属于多个类,或类的交集不为空集,那么该方法称为软聚类(soft clustering) 方法。本章只考虑硬聚类方法。
用 表示类或簇(cluster) ,用 , 表示类中的样本,用 表示 中样本的个数,用 表示样本 与样本 之间的距离。下面给出 类的定义:
设 为给定的正数,若集合 中任意两个样本 ,有
则称 为一个类或簇。
类的特征可以通过不同角度来刻画,常用的特征有下面几种:
(1)类的均值 ,又称为类的中心
(2)类的直径(diameter)
类的直径
是类中任意两个样本之间的最大距离,即
1.3 类与类之间的距离
下面考虑类 与类 之间的距离 , 也称为连接(linkage)。类与类之间的距离也有多种定义。
(1)最短距离或单连接(single linkage)
定义类 的样本与 的样本之间的最短距离为两类之间的距离
(2)最长距离或完全连接(complete linkage)
定义类 的样本与 的样本之间的最长距离为两类之间的距离
(3)中心距离
定义类
与类
的中心
与
之间的距离为两类之间的距离
(4)平均距离
定义类
与类
任意两个样本之间距离的平均值为两类之间的距离
二.层次聚类
层次聚类假设类别之间存在层次结构,将样本聚到层次化的类中。层次聚类又有 聚(agglomerative) 或自下而上(ottom-up)聚类、分裂(divisive) 或自上而下(top-down)聚类两种方法。因为每个样本只属于一个类,所以层次聚类属于硬聚类。
2.1 基本概念
聚合聚类开始将 每个样本各自分到一个类;之后将相距 最近的两类合并,建立一个新的类,重复此操作直到满足停止条件;得到层次化的类别。分裂聚类开始将 所有样本分到一个类;之后将已有类中相距 最远的样本分到两个新的类,重复此操作直到满足停止条件;得到层次化的类别。本书只介绍聚合聚类。
聚合聚类的具体过程如下:对于给定的样本集合,开始将每个样本分到一个类;然后按照一定规则,例如类间距离最小,将最满足规则条件的两个类进行合并;如此反复进行,每次减少一个类,直到满足停止条件,如所有样本聚为一类。
由此可知,聚合聚类需要预先确定下面三个要素:
- 距离或相似度;
- 合并规则;
- 停止条件。
根据这些要素的不同组合,就可以构成不同的聚类方法。距离或相似度可以是闵可夫斯基距离、马哈拉诺比斯距离、相关系数、夹角余弦。合并规则一般是类间距离最小,类间距离可以是最短距离、最长距离、中心距离、平均距离。停止条件可以是类的个数达到阈值(极端情况类的个数是1)、类的直径超过阈值。
如果采用 欧氏距离为样本之间距离;类间距离最小为合并规则,其中最短距离为类间距离;类的个数是1,即所有样本聚为一类,为停止条件,那么聚合聚类的算法如下。
2.1 算法描述
算法14.1 (聚合聚类算法)
输入:
个样本组成的样本集合及样本之间的距离;
输出:对样本集合的一个层次化聚类。
(1)计算
个样本两两之间的欧氏距离
,记作矩阵
。
(2)构造
个类,每个类只包含一个样本。
(3)合并类间距离最小的两个类,其中最短距离为类间距离,构建一个新类。
(4)计算新类与当前各类的距离。若类的个数为 1,终止计算,否则回到步(3)。
可以看出聚合层次聚类算法的复杂度是
,其中 m 是样本的维数, n 是样本个数。
2.3 例题
例: 给定5个样本的集合,样本之间的欧氏距离由如下矩阵 表示:
其中 表示第 个样本与第 个样本之间的 欧氏距离。显然 为对称矩阵。应用聚合层次聚类法对这5个样本进行聚类。
三.K均值聚类
k均值聚类是基于 样本集合划分 的聚类算法。k 均值聚类将样本集合划分为 k 个子集,构成 k个类,将 n 个样本分到 k 个类中,每个样本到其所属类的中心的距离最小。每个样本只能属于一个类,所以 k 均值聚类是硬聚类。下面分别介绍 k 均值聚类的模型、策略、算法,讨论算法的特性及相关问题。
3.1 模型
给定 个样本的集合 每个样本由一个特征向量表示,特征向量的维数是 。 均值聚类的目标是将 个样本分到 个不同的类或簇中,这里假设k < n。 个类 形成对样本集合 的划分,其中 。用 表示划分,一个划分对应着一个聚类结果。
划分 是一个多对一的函数。事实上,如果把每个样本用一个整数 表示,每个类也用一个整数 表示,那么划分或者聚类可以用函数 表示,其中 。所以 均值聚类的模型是一个从样本到类的函数。
3.2 策略
k均值聚类归结为样本集合X的划分,或者从样本到类的函数的选择问题。k均值聚类的策略是通过 损失函数的最小化选取最优的划分或函数C*。
首先,采用 欧氏距离平方(squared Euclidean distance) 作为样本之间的距离d(xi,xj) .
然后,定义样本与其所属类的中心之间的距离的总和为损失函数,即
式中 是第 个类的均值或中心, , 是指示函数,取值为 1或 0。函数 也称为能量,表示相同类中的样本相似的程度。
k均值聚类就是求解最优化问题:
3.3 算法
聚类中心的初始化
样本集 划分之前,先选择代表点作为初始聚类核心,再将其余样本初始分类。迭代结果与初始代表点选择有关
3.3.1 K-Means ++ 中的聚类中心初始化算法:
3.3.2 聚类数 K 的确定
通常要求事先给定聚类数K,若类别数目未知,可按如下方法确定
- 一般根据领域先验知识确定
- 实验确定:
令k = 1,2,3…分别进行聚类,得 ,绘制 曲线图;找出拐点,对应聚类数目为最终类别数。
3.3.3 K均值聚类算法描述
3.4.例题
例: 给定含有5 个样本的集合
试用k均值聚类算法将样本聚到2个类中。
解:
四.密度聚类(DBSCAN)
DBSCAN 算法是一种基于 高密度连通区域的、基于密度的聚类算法。能够将具有足够高密度的区域划分为簇。
4.1 相关概念
给定样本集
4.2 算法描述
推荐文章
- 机器学习的基本概念和相关术语
- 机器学习入门笔记(一):模型性能评价与选择
- 机器学习入门笔记(二):线性模型
- 机器学习入门笔记(三):K近邻算法
- 机器学习入门笔记(四):朴素贝叶斯分类
- 机器学习入门笔记(五):决策树
- 机器学习入门笔记(六):集成学习
- 机器学习入门笔记(七):聚类
参考资料
周志华老师的《机器学习》和李航老师的《统计学习方法》。