机器学习入门|聚类(一)

简介: 聚类算法是在没有给定标签和样本值的前提下进行数据划分,是典型的无监督学习(unsupervised learning)算法,简单的介绍了聚类,记录下学习的笔记!

聚类算法是在没有给定标签和样本值的前提下进行数据划分,是典型的无监督学习(unsupervised learning)算法。聚类试图将数据集中的样本划分成若干个不相交的子集,称为“簇”,或“类”。一个好的样本划分肯定是簇内的样本相似度高,而簇与簇之间的样本相似度低。

基于原型的聚类

簇是对象的集合,其中每个对象到定义该簇的原型的距离比其他簇的原型距离更近,例如在下面的k-means算法中,原型就是簇的质心。

1.k-means算法

k-means算法把数据集划分为k个簇,划分依据是簇的每一个样本点到质心(均值)的最小化平方误差和,即欧氏距离。欧氏距离越小,则代表这一个簇的紧密程度越大,簇内的样本相似度越高。

给定样本集$D=\{x_{1},x_{2},...,x_{m}\}$,k-means算法得到的簇划分$C=\{C_{1},C_{2},...,C_{k}\}$最小化平方误差

$$ E=\sum_{i=1}^{k}\sum_{x\in C_{i}}||x-\mu_{i}||_{2}^{2} $$

其中$\mu_{i}=\frac{1}{|C_{i}|}\sum_{x\in C_{i}}x$ 为簇$C_{i}$的均值向量
但直接求解欧氏距离最小值并不容易,因此采用迭代求解的方法。

1.首先随机选取k个质心,遍历每一个样本点,把样本点归入距它最近的质心所代表的簇中。
2.重新计算质心位置,即当前簇中的样本点的均值。
3.重复以上两步,直到算法收敛(更新不再产生划分变动),或者达到停止条件。

k值需要预先指定,而很多情况下k值难以确定,这是k-means的一个缺陷。

k-means的迭代过程本质上是坐标上升的过程。k-means是必定会收敛的,但是和梯度下降一样,只能保证收敛到局部最优,而不能保证收敛到到全局最优。因此初始质心的选择对算法的结果影响十分巨大。

坐标上升法每次通过更新函数中的一维,把其他维的参数看成常量,迭代直到当前维度收敛,再通过多次的迭代计算其他维度以达到优化函数的目的。

因为k-means算法是求均方误差,因此对于一些偏差较大的噪声点非常敏感,因此在k-means基础上可以做适当优化。

K-medoids算法就是一种优化算法,它和k-means唯一不同之处是:k-medoids算法用类中最靠近中心的一个样本点来代表该聚类,而k-means算法用质心来代表聚类。可以减少噪声点带来的影响。

二分K均值法也是一种优化算法,二分K均值法初始时将所有点看成一个簇,在簇的数量小于K的时候进行迭代,算法的核心是选择一个簇一分为二,这里一分为二的方法还是K均值法,只不过K变成了2。二分K均值依次计算每个簇一分为二后新的总平方误差,选择划分后总体平方误差最小的簇进行划分。这样就尽可能避免了k-means落入局部最优的情况。

2.学习向量量化(Learning Vector Quantization)

学习向量量化(LVQ)也是试图找到一组原型来刻画聚类结构,但与k-means不同的是,LVQ的样本带有类别标记。

给定样本集$D=\{(x_{1},y_{1}),(x_{2},y_{2}),...,(x_{m},y_{m})\}$,每个样本$x_{j}$是一个n维向量,$y_{j}$是类别标记,LVQ的目标是学得一组n维原型量$\{p_{1},p_{2},...,p_{q}\}$,每一个原型向量代表一个簇的原型。原型向量的簇标记为$t_{i}\in \gamma$
同样,LVQ也是采用迭代求解的方法。

1.随机选取一个有标记的样本点,找出距它最近的原型向量,根据两者标记是否一致进行更新
2.若样本$x_{j}$与原型向量$p_{i}$标记相同,则令$p_{i}$向$x_{j}$靠拢,反之则远离$x_{j}$
相同:

$$ {p}'=p_{i}+\eta(x_{j}-p_{i}) $$

不同:

$$ {p}'=p_{i}-\eta(x_{j}-p_{i}) $$

其中$\eta\in (0,1)$是学习率
3.重复直到满足停止条件

LVQ和k-means一样都可以在簇与簇之间画出分界线,称为簇划分。

3.高斯混合聚类

高斯混合聚类采用概率模型来表达聚类原型。
对于一个服从高斯分布(n维正态分布)的向量$x$,则

$$ p(x)=\frac{1}{(2\pi)^{\frac{2}{n}}|\Sigma|^{\frac{1}{2}}}e^{-\frac{1}{2}(x-\mu)^{T}\Sigma^{-1}(x-\mu)} $$

其中$\mu$是n维均值向量,$\Sigma$是协方差矩阵,次分布的完全由这两个参数确定。因此,记概率密度函数为$p(x|\mu,\Sigma)$
则高斯混合分布:

$$ p_{M}(x)=\sum_{i=1}^{k}\alpha_{i}p(x|\mu_{i},\Sigma_{i}) $$

\
其中$\sum_{i=1}^{k}\alpha_{i}=1$
若训练集由高斯混合分布生成,对于样本$z_{j}\in \{1,2,...,k\}$,样本属于某一个高斯分布的概率为$p(z_{j}=i)=\alpha_{i}$,为先验概率。根据贝叶斯定理,其后验分布为:

$$ p_{M}(z_{j}=i|x_{j})=\frac{p(z_{j}=i)p_{M}(x_{j}|z_{j}=i)}{p_{M}(x_{j})} $$

$$ =\frac{\alpha_{i}p(x_{j}|\mu_{i},\Sigma_{i})}{\sum_{l=1}^{k}\alpha_{l}p(x_{j}|\mu_{l},\Sigma_{l})}=\gamma_{ji}(i=1,2,...,k) $$

这就把样本来自每个高斯分布的概率(某一个高斯分布被选中的概率)转化成了由每个高斯分布生成的概率
用似然函数求解最大似然估计:

$$ lnL(D)=ln\left(\prod p_{M}(x_{j})\right)=\sum_{j=1}{k}ln\left(\sum_{i=1}^{k}\alpha_{i}p(x_{j}|\mu_{i},\Sigma_{i})\right) $$

求解得:

$$ \mu_{i}=\frac{\sum_{j=1}^{m}\gamma_{ji}x_{j}}{\sum_{j=1}^{m}\gamma_{ji}} $$

$$ \Sigma_{i}=\frac{\sum_{j=1}^{m}\gamma_{ji}(x_{j}-\mu_{i})(x_{j}-\mu_{i})^{T}}{\sum_{j=1}^{m}\gamma_{ji}} $$

可以求得$\alpha_{i}=\frac{1}{m}\sum_{i=1}^{m}\gamma_{ji}$
同样采用迭代法:

1.假设$\mu,\Sigma$已知,求出$\gamma$的值
2.更新$\mu,\Sigma$参数
3.重复1,2,直到算法收敛或者停止

参考-周志华《机器学习》

目录
相关文章
|
4月前
|
机器学习/深度学习 算法 数据挖掘
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构。本文介绍了K-means算法的基本原理,包括初始化、数据点分配与簇中心更新等步骤,以及如何在Python中实现该算法,最后讨论了其优缺点及应用场景。
208 6
|
5月前
|
机器学习/深度学习 数据采集 算法
深入了解机器学习:从入门到应用
【10月更文挑战第6天】深入了解机器学习:从入门到应用
|
3月前
|
机器学习/深度学习 传感器 运维
使用机器学习技术进行时间序列缺失数据填充:基础方法与入门案例
本文探讨了时间序列分析中数据缺失的问题,并通过实际案例展示了如何利用机器学习技术进行缺失值补充。文章构建了一个模拟的能源生产数据集,采用线性回归和决策树回归两种方法进行缺失值补充,并从统计特征、自相关性、趋势和季节性等多个维度进行了详细评估。结果显示,决策树方法在处理复杂非线性模式和保持数据局部特征方面表现更佳,而线性回归方法则适用于简单的线性趋势数据。文章最后总结了两种方法的优劣,并给出了实际应用建议。
166 7
使用机器学习技术进行时间序列缺失数据填充:基础方法与入门案例
|
4月前
|
机器学习/深度学习 数据采集
机器学习入门——使用Scikit-Learn构建分类器
机器学习入门——使用Scikit-Learn构建分类器
|
4月前
|
机器学习/深度学习 人工智能 自然语言处理
探索AI的奥秘:机器学习入门指南
【10月更文挑战第30天】本篇文章是一份初学者友好的机器学习入门指南,旨在帮助读者理解并开始实践机器学习。我们将介绍机器学习的基本概念,包括监督学习、无监督学习和强化学习等。我们还将提供一些实用的代码示例,以帮助读者更好地理解和应用这些概念。无论你是编程新手,还是有一定经验的开发者,这篇文章都将为你提供一个清晰的机器学习入门路径。
71 2
|
4月前
|
机器学习/深度学习 人工智能 算法
机器学习基础:使用Python和Scikit-learn入门
机器学习基础:使用Python和Scikit-learn入门
48 1
|
4月前
|
机器学习/深度学习 数据采集 人工智能
机器学习入门:Python与scikit-learn实战
机器学习入门:Python与scikit-learn实战
121 0
|
4月前
|
机器学习/深度学习 算法 Python
机器学习入门:理解并实现K-近邻算法
机器学习入门:理解并实现K-近邻算法
58 0
|
5月前
|
机器学习/深度学习 人工智能 算法
机器学习基础:使用Python和Scikit-learn入门
【10月更文挑战第12天】本文介绍了如何使用Python和Scikit-learn进行机器学习的基础知识和入门实践。首先概述了机器学习的基本概念,包括监督学习、无监督学习和强化学习。接着详细讲解了Python和Scikit-learn的安装、数据处理、模型训练和评估等步骤,并提供了代码示例。通过本文,读者可以掌握机器学习的基本流程,并为深入学习打下坚实基础。
48 1
|
5月前
|
机器学习/深度学习 人工智能 算法
机器学习基础:使用Python和Scikit-learn入门
本文介绍了如何使用Python和Scikit-learn进行机器学习的基础知识和实践。首先概述了机器学习的基本概念,包括监督学习、无监督学习和强化学习。接着详细讲解了Python和Scikit-learn的安装、数据处理、模型选择与训练、模型评估及交叉验证等关键步骤。通过本文,初学者可以快速上手并掌握机器学习的基本技能。
121 2

热门文章

最新文章