K-means算法要点.ppt

K-means聚类算法 k-means算法，也被称为k-平均或k-均值，是一种得到最广泛使用的聚类算法。 它是将各个聚类子集内的所有数据样本的均值作为该聚类的代表点，算法的主要思想是通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类内紧凑，类间独立。这一算法不适合处理离散型属性，但是对于连续型具有较好的聚类效果。 划分聚类方法对数据集进行聚类时包括如下 三个要点： （1）选定某种距离作为数据样本间的相似性度量 上面讲到，k-means聚类算法不适合处理离散型 属性，对连续型属性比较适合。因此在计算数据样本之间的距离时，可以根据实际需要选择欧式距离、曼哈顿距离或者明考斯距离中的一种来作为算法的相似性度量，其中最常用的是欧式距离。下面我给大家具体介绍一下欧式距离。 假设给定的数据集 ，X中的样本用d个描述属性A1,A2…Ad来表示，并且d个描述属性都是连续型属性。数据样本xi=(xi1,xi2,…xid), xj=(xj1,xj2,…xjd)其中， xi1,xi2,…xid和xj1,xj2,…xjd分别是样本xi和xj对应d个描述属性A1,A2,…Ad的具体取值。样本xi和xj之间的相似度通常用它们之间的距离d(xi,xj)来表示，距离越小，样本xi和xj越相似，差异度越小；距离越大，样本xi和xj越不相似，差异度越大。 欧式距离公式如下： （2）选择评价聚类性能的准则函数 k-means聚类算法使用误差平方和准则函数来 评价聚类性能。给定数据集X，其中只包含描述属性，不包含类别属性。假设X包含k个聚类子集X1,X2,…XK；各个聚类子集中的样本数量分别为n1，n2,…,nk;各个聚类子集的均值代表点（也称聚类中心）分别为m1，m2,…,mk。则误差平方和准则函数公式为： （3）相似度的计算根据一个簇中对象的平均值 来进行。 （1）将所有对象随机分配到k个非空的簇中。 （2）计算每个簇的平均值，并用该平均值代表相应的簇。 （3）根据每个对象与各个簇中心的距离，分配给最近的簇。 （4）然后转（2），重新计算每个簇的平均值。这个过程不断重复直到满足某个准则函数才停止。 K-均值聚类示例 输入: 簇的数目k 和包含n 个对象的数据库。 输出: k 个簇, 使平方误差准则最小。 方法：基于簇中对象的平均值。 ( l) 任意选择k 个对象作为初始的簇中心; (2 ) r e p e a t , (3 ) 根据簇中对象的平均值, 将每个对象(重新) 赋给最 类似的簇: (4 ) 更新簇的平均值, 即计算每个簇中对象的平均值; (5) u n t i l 不再发生变化。 K-means算法2个核心问题： 1.度量记录之间的相关性的计算公式，此处采用欧式距离。 2.更新簇内质心的方法，此处采用平均值法，即means。 算法 k-means算法 输入：簇的数目k和包含n个对象的数据库。 输出：k个簇，使平方误差准则最小。 （1)assign initial value for means; /*任意分配到k个对象作为簇的平均值*/ (2) REPEAT (3) FOR j=1 to n DO assign each xj to the closest clusters; (4) FOR i=1 to k DO / *更新簇平均值*/ (5) Compute /*计算准则函数E*/ (6) UNTIL E不再明显地发生变化。 O x y 1 0 2 2 0 0 3 1.5 0 4 5 0 5 5 2 数据对象集合S见表1，作为一个聚类分析的二维样本，要求的簇的数量k=2。 (1)选择 ， 为初始的簇中心，即 ， 。 (2)对剩余的每个对象，根据其与各个簇中心的距离，将它赋给最近的簇。 对 ： 显然 ，故将 分配给 ；同理，将 分配给 ， 分配给 。 更新，得到新簇 和 计算平方误差准则，单个方差为 例子 ， 。 总体平均方差是： （3）计算新