聚类算法（二）

聚类是一种无监督学习（无监督学习是指事先并不知道要寻找的内容，没有固定的目标变量）的算法，它将相似的一批对象划归到一个簇，簇里面的对象越相似，聚类的效果越好。聚类的目标是在保持簇数目不变的情况下提高簇的质量。给定一个 m 个对象的集合。把这 m 个对象划分到 K 个区域，每个对象只属于一个区域。所遵守的一般准则是：同一个簇的对象尽可能的相互接近或者相关，而不同簇的对象尽可能的区分开。之前在文章聚类算法（一）中已经介绍过 KMeans 算法与 bisecting KMeans 算法，本文将会介绍一个流式的聚类算法。

流式聚类算法（One Pass Cluster Algorithm）

既然是流式的聚类算法，那么每个数据只能够进行一次聚类的操作。有一个简单的思路就是对于每一个未知的新样本，如果它与某个类足够相似，那么就把这个未知的新样本加入这个类；否则就自成为一个新的类。如下图所示：

基于以上思路，我们可以设计一个流式的聚类算法。假设 dataMat 是一个 m 行 n 列的一个矩阵，每一行代表一个向量，n 代表向量的维度。i.e. 在 n 维欧几里德空间里面有 m 个点需要进行聚类。

流式聚类的算法细节：

参数的设定：

 表示在聚类的过程中允许形成的簇的最大个数；

 表示距离的阀值，在这里两个点之间的距离可以使用  范数；

聚簇的质心定义为该类中所有点的平均值。i.e. 如果该类中的点是 ，那么质心就是 ；

第 j 个聚簇中元素个数用  表示。

方法：

Step 1：对于  而言，自成一类。i.e. 质心就是它本身 ，该聚簇的元素个数就是 ，当前所有簇的个数是 。

Step 2:  对于每一个 ，进行如下的循环操作：

假设当前有  个簇，第 j 个簇的质心是 ，第 j 个簇的元素个数是 ，其中 。

计算 ，其中的 Distance 可以是欧几里德空间的  范数，对应的下标是 。i.e. 。

（i）如果当前  或者 ，则把  加入到第  个聚簇。也就是说：

质心更新为  +  + ，

元素的个数更新为  + 。

（ii）否则， 需要自成一类。i.e.  + ，，。

注：

（1）数据的先后顺序对聚类的效果有一定的影响。

（2）该算法的时间复杂度与簇的个数是相关的，通常来说，如果形成的簇越多，对于一个新的样本与质心的比较次数就会越多。

（3）如果设置簇的最大个数是一个比较小的数字的时候，那么对于一个新的样本，它需要比较的次数就会大量减少。如果最小距离小于 D 或者目前已经达到最大簇的个数的话，那么把新的样本放入某个类。此时，可能会出现某个类由于这个新的样本导致质心偏移的情况。如果设置  很大，那么计算的时间复杂度就会增加。因此，在保证计算实时性的时候，需要考虑到  的设置问题。

效果展示：

使用一批二维数据集合，进行流式聚类算法可以得到下图：’+’ 表示的是质心的位置，其余就是数据点的位置。通过选择不同的距离阈值 ，就可以得到不同的聚类情况。其中 ‘+’ 表示该簇质心的位置，蓝色的点表示数据点。如下图所示：

欢迎大家关注公众账号数学人生

（长按图片，识别二维码即可添加关注）