1 无监督算法要做什么

在监督学习中，我们是先对数据给定了标签，然后进行学习。

和这个不同的是，无监督学习（Unsupervised Learning）是没有给定标签的。

我们希望通过某些聚类算法（Clustering Algorithm），自动就从这些数据中找到一些结构。

例如通过对市场的分割，方便精准地进行营销：

例如对人群进行社交关系分类，自动推荐可能认识的人：

2 K均值（K-means）算法

2.1 算法的直观印象

K均值（K-means）算法是现在广泛使用的聚类方法。

例如我们有这样的数据：

算法将执行如下步骤，最终收敛到局部最优解：

一、设置聚类中心
二、对附近的数据进行染色归类
三、移动聚类中心到对应类别数据的均值所在位置
四、重复第二、三步，直到聚类中心不再移动

大概的过程如下图所示：

2.2 算法的具体执行

假如对于训练样本集 { x⁽¹⁾, x⁽²⁾, x⁽³⁾, … ,x^(m) } ，我们有 K 个聚类。

我们将每个聚类中心标记为：μ₁, μ₂, μ₃, …,μ_K 。

对于每一个数据点 x⁽ⁱ⁾ ，其和所有聚类中心 μ_k 的距离记为：
|| x⁽ⁱ⁾ - μ_k || 。

我们需要找到使得这个距离最小的聚类 k ，然后使用 c⁽ⁱ⁾ = k 进行标记。

例如我们总共有5个聚类中心，点 x⁽¹⁰⁾ 距离每个聚类中心的距离为：

|| x⁽¹⁰⁾ - μ₁ || = 21
|| x⁽¹⁰⁾ - μ₂ || = 16
|| x⁽¹⁰⁾ - μ₃ || = 11
|| x⁽¹⁰⁾ - μ₄ || = 6
|| x⁽¹⁰⁾ - μ₅ || = 1

那么就有 c⁽¹⁰⁾ = 5 。

以上就是 2.1 中第二步所执行的过程。

接下来就是对同类数据，求得其均值，并以此作为新的聚类中心，也就是第三步。

例如，除了 c⁽¹⁰⁾ = 5 之外，我们还得到 c⁽¹⁾ = 5 ， c⁽⁵⁾ = 5 ， c⁽⁶⁾ = 5 ，那么就有：

2.3 算法的优化目标

我们之前学习线性回归、逻辑回归的时候，都有一个优化目标，就是其代价函数。

对于K均值（K-means）算法，同样也有这样的优化目标：那就是使得各个数据点距离聚类中心的距离总和最小，也就是下图中所有红线和蓝线加起来的总长度最小。

K均值（K-means）算法的代价函数是：

我们的优化目标就是 min J( c⁽¹⁾ , … , c^(m) , μ₁ , … , μ_K) 。

2.4 随机初始化

对于这样的训练数据：

我们是希望把它们分成三类的：

但有时候，因为初始化的选择，我们得到的不是全局最优解，而是局部最优解。得到的结果可能是这样的：

也可能是这样的：

这样的分类结果，都不是我们所期望的。

面对这样的问题，我们应该怎么办呢？

多次进行随机初始化，以及运行 k-means 算法，最终选择代价函数最小的一个结果。

这个次数，可以在 50 到 1000 次左右。

随着运行次数的增加，经常都能找到较好的局部最优解。

当然如果聚类中心数量 K 很大的话，得到的结果可能不会好太多。

2.5 聚类中心数量 K 的选择

首先我们可以知道的是， K 应该小于训练样本数量 m，如果聚类中心的数量比训练样本数量还要大，那么还分类个啥。

那这个数量应该如何选择呢？

K 的大小，常常是模凌两可的，例如下面这个图：

我们既可以认为 K = 4 ：

也可以认为 K = 2 ：

有一个方法叫做肘部法则（Elbow Method），可以给我们提供一个参考。

例如下图，随着聚类中心个数 K 的增加，其代价函数计算的结果会下降：

我们说图中这个位置（之后的下降都不太明显），就是应该设置的聚类中心个数 K 。

但是有时候，我们绘出的图形是这样的：

这样的情况，我们就找不到比较明显的肘部。

所以说，肘部法则值得尝试，但是对其结果不要抱有太大的期待。

对于聚类中心个数 K 的选择，更多是人工进行的。

这主要看我们运行K均值（K-means）算法来达到什么目的。

例如一个 T-shirt 的销售商，有客户的一些身高和体重数据：

它可以将这些数据划分为三组，对应着衣服的大小为 S、M、L：

也可以将这些数据划分为五组，对应着衣服的大小为 XS、S、M、L、XL：

T-shirt 型号种类应该如何划分，其实可以从销售的角度考虑。

例如怎么样才能怎样才能让顾客购买的最多。

文章转载自公众号：止一之路