前言

提醒：
文章內(nèi)容為方便作者自己后日復(fù)習(xí)與查閱而進(jìn)行的書寫與發(fā)布，其中引用內(nèi)容都會(huì)使用鏈接表明出處（如有侵權(quán)問(wèn)題，請(qǐng)及時(shí)聯(lián)系）。
其中內(nèi)容多為一次書寫，缺少檢查與訂正，如有問(wèn)題或其他拓展及意見(jiàn)建議，歡迎評(píng)論區(qū)討論交流。

---

聚類算法

聚類算法在各種領(lǐng)域中有廣泛的應(yīng)用，主要用于發(fā)現(xiàn)數(shù)據(jù)中的自然分組和模式。以下是一些常見(jiàn)的應(yīng)用場(chǎng)景以及每種算法的優(yōu)缺點(diǎn)：

經(jīng)典應(yīng)用場(chǎng)景

1. 市場(chǎng)細(xì)分：根據(jù)消費(fèi)者的行為和特征，將他們分成不同的群體，以便進(jìn)行有針對(duì)性的營(yíng)銷。

2. 圖像分割： 將圖像劃分為多個(gè)區(qū)域或?qū)ο?#xff0c;以便進(jìn)行進(jìn)一步的分析或處理。

3. 社交網(wǎng)絡(luò)分析：識(shí)別社交網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)。

4. 文檔分類：自動(dòng)將文檔分組到不同的主題或類別中。

5. 異常檢測(cè)識(shí)別數(shù)據(jù)中的異常點(diǎn)或異常行為。

6. 基因表達(dá)分析：在生物信息學(xué)中，根據(jù)基因表達(dá)模式對(duì)基因進(jìn)行聚類。

K-Means 聚類

1. K-Means 聚類

• 優(yōu)點(diǎn)：
  • 算法簡(jiǎn)單，容易實(shí)現(xiàn)。
  • 計(jì)算速度快，適用于大規(guī)模數(shù)據(jù)集。
• 缺點(diǎn)：
  • 需要預(yù)先指定簇的數(shù)量 $K$。
  • 對(duì)于初始中心點(diǎn)選擇敏感。
  • 只能找到球狀簇，無(wú)法處理非凸形狀的簇。
  • 對(duì)噪聲和異常值敏感。

簡(jiǎn)單實(shí)例（函數(shù)庫(kù)實(shí)現(xiàn)）

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
# 生成數(shù)據(jù)
X = np.random.rand(100, 2)
# K-Means 聚類
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)
labels = kmeans.labels_
# 可視化
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], color='red')
plt.title('K-Means Clustering')
plt.show()

X數(shù)據(jù)分布：

代碼運(yùn)行結(jié)果：

數(shù)學(xué)表達(dá)

K-Means 聚類是一種常用的無(wú)監(jiān)督學(xué)習(xí)算法，目的是將數(shù)據(jù)分為 $K$ 個(gè)簇，以最小化簇內(nèi)數(shù)據(jù)點(diǎn)與簇中心的方差之和。下面是對(duì)
K-Means 聚類算法的詳細(xì)介紹，包括其數(shù)學(xué)公式和步驟。

K-Means 算法步驟

1. 初始化

   從數(shù)據(jù)集中隨機(jī)選擇 $K$ 個(gè)點(diǎn)作為初始簇中心（質(zhì)心），記作 { μ 1 , μ 2 , … , μ K } \{\mu_1, \mu_2, \ldots, \mu_K\} {μ1?,μ2?,…,μK?}。

2. 分配數(shù)據(jù)點(diǎn)

   對(duì)于每個(gè)數(shù)據(jù)點(diǎn) ${\mathbf{x}}_i$，計(jì)算其與每個(gè)簇中心的距離，將其分配到距離最近的簇中。通常采用歐氏距離作為距離度量：

   $$\text{assign?}{\mathbf{x}}_i\text{?to?cluster?}j=\arg \underset{k}{\min }\Vert {\mathbf{x}}_i?{\mu }_k{\Vert }^2$$

3. 更新簇中心

   對(duì)于每個(gè)簇 $j$，計(jì)算簇中所有數(shù)據(jù)點(diǎn)的均值作為新的簇中心：

   $${\mu }_j=\frac{1}{N_j}\sum _{{\mathbf{x}}_i\in C_j}{\mathbf{x}}_i$$

   其中 $C_j$ 表示簇 $j$ 中的所有數(shù)據(jù)點(diǎn)，$N_j$ 是簇 $j$ 中的點(diǎn)的數(shù)量。

4. 重復(fù)

   重復(fù)步驟 2 和步驟 3，直到簇中心不再發(fā)生變化或達(dá)到預(yù)設(shè)的迭代次數(shù)。

數(shù)學(xué)優(yōu)化目標(biāo)

K-Means 聚類的目標(biāo)是最小化所有數(shù)據(jù)點(diǎn)到其所屬簇中心的距離平方和。其優(yōu)化目標(biāo)函數(shù)為：

$$J=\sum _{j=1}^K\sum _{{\mathbf{x}}_i\in C_j}\Vert {\mathbf{x}}_i?{\mu }_j{\Vert }^2$$

這里，$J$ 是代價(jià)函數(shù)，表示簇內(nèi)平方誤差和。

收斂性

K-Means 算法通過(guò)交替優(yōu)化分配和更新步驟最終收斂，因?yàn)槊恳徊蕉际沟么鷥r(jià)函數(shù) $J$單調(diào)遞減。然而，算法可能收斂到局部最小值，因此初始化方式對(duì)最終結(jié)果有較大影響。

優(yōu)點(diǎn)

• 實(shí)現(xiàn)簡(jiǎn)單，計(jì)算速度快。
• 在簇形狀是凸的、簇的大小相似的情況下效果較好。

缺點(diǎn)

• 選擇 $K$ 值比較困難，通常需要通過(guò)經(jīng)驗(yàn)或使用評(píng)估指標(biāo)（如肘部法則、輪廓系數(shù)）來(lái)選擇。
• 對(duì)初始值敏感，可能導(dǎo)致收斂到局部最優(yōu)。
• 適用于凸形簇，對(duì)于不同大小和密度的簇效果不好。
• 對(duì)噪聲和孤立點(diǎn)敏感。

K-Means 聚類是一種簡(jiǎn)單有效的聚類方法，廣泛應(yīng)用于各種實(shí)際問(wèn)題，但在使用中需注意其局限性和對(duì)參數(shù)選擇的要求。

手動(dòng)實(shí)現(xiàn)

import numpy as npdef initialize_centroids(X, K):# 從數(shù)據(jù)集中隨機(jī)選擇K個(gè)樣本作為初始質(zhì)心indices = np.random.choice(X.shape[0], K, replace=False)centroids = X[indices]return centroidsdef assign_clusters(X, centroids):# 計(jì)算每個(gè)樣本到每個(gè)質(zhì)心的距離，并將樣本分配到最近的質(zhì)心distances = np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2))return np.argmin(distances, axis=0)def update_centroids(X, labels, K):# 根據(jù)分配結(jié)果更新質(zhì)心為每個(gè)簇中所有樣本的均值centroids = np.array([X[labels == k].mean(axis=0) for k in range(K)])return centroidsdef kmeans(X, K, max_iters=100, tol=1e-4):# 初始化質(zhì)心centroids = initialize_centroids(X, K)for i in range(max_iters):# 分配樣本到最近的質(zhì)心labels = assign_clusters(X, centroids)# 計(jì)算新的質(zhì)心new_centroids = update_centroids(X, labels, K)# 檢查質(zhì)心是否收斂if np.all(np.abs(new_centroids - centroids) < tol):breakcentroids = new_centroidsreturn labels, centroids
# 示例用法
if __name__ == "__main__":# 生成一些測(cè)試數(shù)據(jù)X = np.array([[1.0, 2.0], [1.5, 1.8], [5.0, 8.0], [8.0, 8.0], [1.0, 0.6], [9.0, 11.0],[8.0, 2.0], [10.0, 2.0], [9.0, 3.0]])# 設(shè)定簇的數(shù)量K = 3# 運(yùn)行K-Means算法labels, centroids = kmeans(X, K)print("Cluster labels:", labels)print("Centroids:", centroids)

代碼分析

1. np.random.choice(X.shape[0], K, replace=False)
numpy.random.choice(a, size=None, replace=True, p=None)
np.random.choice 是 NumPy 庫(kù)中的一個(gè)函數(shù)，用于從給定的一維數(shù)組中生成隨機(jī)樣本。它可以指定樣本的數(shù)量、是否允許重復(fù)選擇等參數(shù)。

2. np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2))

• centroids[:, np.newaxis]: 使用 np.newaxis 將 centroids 的形狀從 (K, n_features) 變?yōu)?(K, 1, n_features)，這樣做是為了實(shí)現(xiàn)廣播（broadcasting），以便在后續(xù)計(jì)算中能夠?qū)γ總€(gè)質(zhì)心與每個(gè)樣本進(jìn)行逐元素運(yùn)算。
• X - centroids[:, np.newaxis]：這個(gè)操作會(huì)創(chuàng)建一個(gè)形狀為 (K, n_samples, n_features) 的數(shù)組，表示每個(gè)質(zhì)心與每個(gè)樣本之間的差值。
• .sum(axis=2)：這個(gè)操作會(huì)對(duì)最后一個(gè)維度（特征維度）進(jìn)行求和，結(jié)果是一個(gè)形狀為 (K, n_samples) 的數(shù)組，表示每個(gè)樣本與每個(gè)質(zhì)心之間的特征平方和。

3. np.argmin(distances, axis=0)

• np.argmin 是一個(gè)NumPy函數(shù)，用于找到數(shù)組中最小值的索引。
• axis=0 表示沿著第一個(gè)軸（即行）查找最小值。這意味著對(duì)每個(gè)樣本（每列）比較所有質(zhì)心的距離，找到最小值對(duì)應(yīng)的質(zhì)心索引。