《机器学习》周志华西瓜书学习笔记（九）：聚类

【机器学习】《机器学习》周志华西瓜书 笔记/习题答案 总目录

• https://blog.csdn.net/TeFuirnever/article/details/96178919

——————————————————————————————————————————————————————

聚类

在 无监督学习（unsupervised learning） 中，常见的无监督学习任务还有 密度估计(densityestimation)、异常检测(anomaly detection) 等，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。这类学习任务中研究最多、应用最广的是 聚类（clustering）。

这一章的内容大致如下：

• 聚类任务：聚类过程是怎样的？聚类有什么用途？聚类的两个基本问题是什么？

• 性能度量：聚类的目标是什么？聚类性能度量的两大类指什么？各包含哪些度量指标？

• 距离计算：距离度量需要满足哪些基本性质？怎样度量有序属性？怎样度量无序属性？相似度度量和距离度量有什么区别？

• 原型聚类：什么是原型聚类？k均值算法是怎样的？学习向量量化算法是怎样的？高斯混合聚类是怎样的？

• 密度聚类：什么是密度聚类？DBSCAN算法是怎样的？

• 层次聚类：什么是层次聚类？AGNES算法是怎样的？

聚类任务

聚类试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个 簇（cluster）。通过这样的划分，每个簇可能对应于一些潜在的概念(类别) ，所以对聚类算法而言，样本簇亦称 类。通常来说每个簇可能对应一些特征，比方说音乐可以聚类成古典音乐、摇滚乐、流行乐等等，西瓜就是如"浅色瓜"、“深色瓜”，“有籽瓜”、“无籽瓜”，甚至"本地瓜"、"外地瓜"等。需说明的是，这些概念对聚类算法而言事先是未知的，聚类过程仅能自动形成簇结构，簇所对应的概念语义需由使用者来把握和命名。
形式化地说，假定样本集 $D=\{x_1，x_2，...，x_m\}$ 包含 $m$ 个无标记样本，每个样本 $x_i=(x_{i1};x_{i2};...;x_{in})$ 是一个 $n$ 维特征向量，则聚类算法将样本集 $D$ 划分为 $k$ 个不相交的簇 $\{C|l=1,2,...,k\}$，其中

相应地，我们用

表示样本 $x_j$ 的 簇标记(cluster label) ，即

于是，聚类的结果可用包含 $m$ 个元素的簇标记向量 $\lambda =({\lambda }_1;{\lambda }_2;...;{\lambda }_m)$ 表示。

基于不同的学习策略，人们设计出多种类型的聚类算法。简单来说，聚类可以分为两种用途：

• 作为一个单独过程，用于寻找数据内在的分布结构；
• 作为其他学习任务的前驱过程，比方说根据聚类结果定义类标记，然后再进行分类学习；

聚类算法的两大基本问题是 性能度量 和 距离计算。

性能度量

聚类性能度量 亦称 聚类有效性指标(validity index)。与监督学习中的性能度量作用相似，对聚类结果，需通过某种性能度量来评估其好坏；另一方面，若明确了最终将要使用的性能度量，则可直接将其作为聚类过程的优化目标，从而更好地得到符合要求的聚类结果。

聚类是将样本集 $D$ 划分为若干互不相交的子集，即 样本簇。那么，什么样的聚类结果比较好呢？

直观上看，借用古成语，我们希望"物以类聚"，即同一簇的样本尽可能彼此相似，不同簇的样本尽可能不同。换言之，聚类结果的 簇内相似度(intra-cluster similarity) 高且 簇间相似度(inter-cluster similarity) 低。

聚类性能度量大致有两类：

• 一类是将聚类结果与某个 参考模型(reference model) 进行比较（例如将领域专家给出的划分结果作为参考模型），称为 外部指标(external index)；
• 另一类是直接考察聚类结果而不利用任何参考模型，称为 内部指标(internal index)。

对数据集 $D=\{x_1，x_2，...，x_m\}$，假定通过聚类给出的簇划分为$C=\{C_1，C_2，...，C_k\}$；参考模型给出的簇划分为 $C^{\ast }=\{C_1^{\ast }，C_2^{\ast }，...，C_s^{\ast }\}$。相应地，令 $\lambda$ 与 ${\lambda }^{\ast }$ 分别表示与 $C$ 和 $C^{\ast }$ 对应的簇标记向量。把样本两两配对考虑，定义：

其中集合 $SS$ 包含了在 $C$ 中隶属于相同簇且在 $C^{\ast }$ 中也隶属于相同簇的样本对，集合 $SD$ 包含了在 C 中隶属于相同簇但在 $C^{\ast }$ 中隶属于不同簇的样本对，…由于每个样本对 $(x_i，x_j)(i<j)$ 仅能出现在一个集合中，因此有 $\alpha +b+c+d=m(m-1)/2$ 成立。

基于式 (9.1 ) ~ (9.4)，可导出下面这些常用的聚类性能度量外部指标：

• Jaccard 系数(Jaccard Coefficient ，简称JC)
  

解析：


南瓜书——https://datawhalechina.github.io/pumpkin-book/#/

• FM 指数(Fowlkes and Mallows lndex，简称FMI)
  

解析：

南瓜书——https://datawhalechina.github.io/pumpkin-book/#/

• Rand 指数(Rand Index，简称RI)
  

解析：

南瓜书——https://datawhalechina.github.io/pumpkin-book/#/

显然，上述性能度量的结果值均在 [0，1] 区间，值越大越好。

考虑聚类结果的簇划分 $C=\{C_1，C_2，\dots ，C_k\}$，定义：

其中，$dist(\cdot ，\cdot )$ 用于计算两个样本之间的距离；$\mu$ 代表簇 $C$ 的中心点：

显然，$avg(C)$ 对应于簇 $C$ 内样本间的平均距离，$diam(C)$ 对应于簇 $C$ 内样本间的最远距离，$d_{min}(C_i,C_j)$ 对应于簇 $C_i$ 与簇 $C_j$ 最近样本间的距离，$d_{cen}(C_i，C_j)$ 对应于簇 $C_i$ 与簇 $C_j$ 中心点间的距离。

基于这四个式子，可导出下面这些常用的聚类性能度量内部指标：

• DB 指数(Davies-Bouldin Index，简称DBI)
  
• Dunn 指数(Dunn Index，简称DI)
  

显然， DBI 的值越小越好，而 DI 则相反，值越大越好。

距离计算

对函数 $dist(\cdot ，\cdot )$，若它是一个 距离度量(distance measure)，则需满足一些基本性质：

直递性常被直接称为"三角不等式"

给定样本 $x_i=(x_{i1};x_{i2};...;x_{in})$ 与 $x_j=(x_{j1};x_{j2};...;x_{jn})$ ， 最常用的是 闵可夫斯基距离(Minkowski distance)。

对 p >= 1，上式显然满足。

当 p = 2 时，闵可夫斯基距离 即 欧氏距离(Euclidean distance)。

p -> ∞ 时则得到 切比雪夫距离。

p = 1 时，闵可夫斯基距离 即 曼哈顿距离(Manhattan distance)，亦称 街区距离(city block distance)

属性经常划分为 连续属性(continuous attribute)，亦称 数值属性(numerical att巾ute)；和 离散属性(categorical attribute)，亦称 列名属性(nominal attribute)。前者在定义域上有无穷多个可能的取值，后者在定义域上是有限个取值。

然而，在讨论距离计算时，属性上是否定了"序"关系更为重要。例如定义域为 {1 ， 2 ， 3} 的离散属性与连续属性的性质更接近一些，能直接在属性值上计算距离 “1” 与 “2” 比较接近、与"3" 比较远，这样的属性称为 有序属性(ordinal attribute); 而定义域为 {飞机，火车，轮船} 这样的离散属性则不能直接在属性值上计算距离，称为 无序属性(non-ordinal attribute)。显然，闵可夫斯基距离可用于有序属性。

对无序属性可采用 VDM (Value Difference Metric)。令 $m_{u,a}$ 表示在属性 $u$ 上取值为 $a$ 的样本数， $m_{u,a,i}$ 表示在第 $i$ 个样本簇中在属性 $u$ 上取值为 $a$ 的样本数，$k$ 为样本簇数（样本类别已知时 $k$ 通常设置为类别数），则属性 $u$ 上两个离散值 $a$ 与 $b$ 之间的 VDM 距离为

于是，将闵可夫斯基距离和 VDM 结合即可处理混合属性。假定有 $n_c$ 个有序属性、$n-n_c$ 个无序属性，不失一般性，令有序属性排列在无序属性之前，则

当样本空间中不同属性的重要性不同时，可使用 加权距离(weighted distance)。以加权闵可夫斯基距离为例：

其中权重 $w_i$ 表征不同属性的重要性， 通常

原型聚类

原型聚类 亦称 基于原型的聚类(prototype~ based clustering)，原型 是指样本空间中具有代表性的点。此类算法假设聚类结构能通过一组原型刻画，在现实聚类任务中极为常用。通常情形下，算法先对原型进行初始化，然后对原型进行迭代更新求解。采用不同的原型表示、不同的求解方式，将产生不同的算法，下面介绍几种著名的原型聚类算法。

k 均值算法

给定样本集 $D=\{x_1,x_2,...,x_m\}$，k 均值(k-means ) 算法针对聚类所得簇划分 $C=\{C_1,C_2,...,C_k\}$ 最小化平方误差

其中簇 $C_i$ 的均值向量如下：

直观来看，上式在一定程度上刻画了簇内样本围绕簇均值向量的紧密程度，$E$ 值越小，则簇内样本相似度越高。

最小化式 $E$ 并不容易，找到它的最优解需考察样本集 D 所有可能的簇划分，这是一个 NP 难问题。因此，k 均值算法采用了贪心策略，通过迭代优化来近似求解式 $E$。算法流程如下：

其中第 1 行对均值向量进行初始化，在第 4-8 行与第 9一16 行依次对当前簇划分及均值向量选代更新，若迭代更新后聚类结果保持不变，则在第 18 行将当前簇划分结果返回。

学习向量量化

与 k 均值算法类似，学习向量量化(Learning Vector Quantization，简称LVQ) 也是试图找到一组原型向量来刻画聚类结构， 但与一般聚类算法不同的是， LVQ 假设数据样本带有类别标记，学习过程利用样本的这些监督信息来辅助聚类。

给定样本集 $D=\{(x_1,y_1),(x_2，y_2)，...,(x_m,y_m)\}$，每个样本 $x_j$ 是由 $n$ 个属性描述的特征向量 $(x_{j1};x_{j2};...;x_{jn})$。

样本 $x_j$ 的类别标记如下

LVQ 的目标是学得一组 $n$ 维原型向量 $\{p_1,p_2,...，p_q\}$，每个原型向量代表一个聚类簇，簇标记

LVQ 算法描述如下图所示：

算法第 1 行先对原型向量进行初始化，例如对第 $q$ 个簇可从类别标记为 $t_q$ 的样本中随机选取一个作为原型向量。算法第 2 - 12 行对原型向量进行迭代优化。在每一轮选代中，算法随机选取一个有标记训练样本，找出与其距离最近的原型向量，井根据两者的类别标记是否一致来对原型向量进行相应的更新。第5 行是竞争学习的"胜者为王"策略。SOM 是基于元标记样本的聚类算法，而 LVQ 可看作 SOM 基于监督信息的扩展。在第 12 行中，若算法的停止条件已满足(例如己达到最大迭代轮数，或原型向量更新很小甚至不再更新)，则将当前原型向量作为最终结果返回。

显然， LVQ 的关键是第 6-10 行，即如何更新原型向量。直观上看，对样本 $x_j$，若最近的原型向量 $p$ 与 $x_j$ 的类别标记相同，则令 $p_i^{\ast }$ 向 $x_j$ 的方向靠拢，如第7 行所示，此时新原型向量为

$p^{\prime }$ 与 $x_j$ 之间的距离为

令学习率 $\eta$ 的区间为 $(0，1)$ ，则原型向量 $p^{\ast }$ 在更新为 $p^{\prime }$ 之后将更接近 $x_j$。

类似的，若 $p^{\ast }$ 与 $x_j$ 的类别标记不同，则更新后的原型向量与 $x_j$ 之间的距离将增大为

从而更远离 $x_j$。

在学得一组原型向量 $\{p_1,p_2,...,p_q\}$ 后，即可实现对样本空间 $X$ 的簇划分。对任意样本 $x$，它将被划入与其距离最近的原型向量所代表的簇中；换言之，每个原型向量 $p_i$ 定义了与之相关的一个区域 $R_i$，该区域中每个样本与 $p_i$ 的距离不大于它与其他原型向量

的距离，即

由此形成了对样本空间 $X$ 的簇划分 $\{R_1,R_2,\dots ,R_q\}$， 该划分通常称为 Voronoi剖分(Voronoi tessellation)。

高斯混合聚类

高斯混合聚类与 k 均值、LVQ 用原型向量来刻画聚类结构不同，高斯混合(Mixture-of-Gaussian)聚类 采用概率模型来表达聚类原型。

先简单回顾一下(多元)高斯分布的定义。对 $n$ 维样本空间 $X$ 中的随机向量 $x$ ， 若 $x$ 服从高斯分布，其橄率密度函数为

其中 $\mu$ 是 $n$ 维均值向量，是 $n\ast n$ 的协方差矩阵。由这个式子可以看出，高斯分布完全由均值向量和协方差矩阵这两个参数确定。为了明确显示高斯分布与相应参数的依赖关系，将概率密度函数记为

定义高斯混合分布：


该分布共由k 个混合成分组成， 每个混合成分对应一个高斯分布。相应的 混合系数(mixture coefficient) 如下：


假设样本 $D=\{x_1，x_2，\dots ，x_m\}$ 的生成过程由高斯混合分布给出，令随机变量 $z_j$, $j=\{1，2,...,k\}$ 表示生成样本 $x_j$ 的高斯混合成分，其取值未知。显然，$z_j$ 的先验概率 $P(z_j=i)$ 对应于 ${\alpha }_i(i=1，2,\dots ,k)$。根据贝叶斯定理，$z_j$ 的后验分布对应于：

换言之，上式子给出了样本 $x_j$ 由第 $i$ 个高斯混合成分生成的后验概率。为方便叙述，将其简记为

当高斯混合分布己知时，高斯混合聚类将把样本集 $D$ 划分为 $k$ 个簇 $C_k$，每个样本 $x_j$ 的簇标记 ${\lambda }_j$ 如下确定：

因此，从原型聚类的角度来看，高斯混合聚类是采用概率模型(高斯分布)对原型进行刻画，簇划分则由原型对应后验概率确定。那么模型参数如何求解呢?

可采用极大似然估计，即最大化(对数)似然：

常采用EM 算法进行迭代优化求解。

若参数能最大化似然函数，则由

有如下

解析：


南瓜书——https://datawhalechina.github.io/pumpkin-book/#/

又因为

故有

即各混合成分的均值可通过样本加权平均来估计，样本权重是每个样本属于该成分的后验概率。

类似的，由于

可得

解析：


南瓜书——https://datawhalechina.github.io/pumpkin-book/#/

对于混合系数，除了要最大化似然函数， 还需满足系数本身非负且加和为1，考虑 $LL(D)$ 的拉格朗日形式

由上式对 ${\alpha }_i$ 的导数为0，有

两边同乘以 ${\alpha }_i$，对所有样本求和可知 $\lambda =-m$，有

解析：

南瓜书——https://datawhalechina.github.io/pumpkin-book/#/

即每个高斯成分的混合系数由样本属于该成分的平均后验概率确定。

由上述推导即可获得高斯混合模型的 EM 算法。

高斯混合聚类算法描述如下图所示：

算法第 1 行对高斯混合分布的模型参数进行初始化，然后在第 2-12 行基于 EM 算法对模型参数进行选代更新。若 EM 算法的停止条件满足(例如己达到最大法代轮数，或者似然函数 LL(D) 增长很少甚至不再增长) ，则在第 14-17 行根据高斯混合分布确定簇划分，在第 18 行返回最终结果。

密度聚类

密度聚类 亦称 基于密度的聚类(density-based clustering)，此类算法假设聚类结构能通过样本分布的紧密程度确定。通常情形下，密度聚类算法从样本密度的角度来考察样本之间的可连接性，并基于可连接样本不断扩展聚类簇以获得最终的聚类结果。

DBSCAN 是一种著君的密度粟类算法?它基于一组"邻域" (neighborhood)参数

来刻画样本分布的紧密程度。给定数据集 $D$，定义下面这几个概念：





上述概念的直观显示如下：

简单来说，就是字面意思，核心对象的核心，密度直达的直达，密度可达的可达，密度相连的相连，就好比集合之间的碰撞一下。

基于这些概念， DBSCAN 将"簇"定义为：由密度可达关系导出的最大的密度相连样本集合。形式化地说，给定邻域参数 ， 簇 $C$ 是满足以下性质的非空样本子集：

那么，如何从数据集 $D$ 中找出满足以上性质的聚类簇呢?

实际上，若 $x$ 为核心对象，由 $x$ 密度可达的所有样本组成的集合记为 $X$

则不难证明 $X$ 即为满足连接性与最大性的簇。

于是， DBSCAN 算法先任选数据集中的一个核心对象为种子(seed)，再由此出发确定相应的聚类簇，算法描述如下所示：

在第 1-7 行中，算法先根据给定的邻域参数找出所有核心对象；然后在第 10-24 行中，以任一核心对象为出发点，找出由其密度可达的样本生成聚类簇，直到所有核心对象均被访问过为止。

层次聚类

层次聚类(hierarchical clustering) 试图在不同层次对数据集进行划分，从而形成树形的聚类结构。数据集的划分可采用 “自底向上” 的聚合策略，也可采用 “自顶向下” 的分拆策略。

AGNES 是一种采用自底向上聚合策略的层次聚类算法。它先将数据集中的每个样本看作一个初始聚类簇，然后在算法运行的每一步中找出距离最近的两个粟类簇进行合并，该过程不断重复，直至达到预设的聚类簇个数。这里的关键是如何计算聚类簇之间的距离。实际上，每个簇是一个样本集合，因此，只需采用关于集合的某种距离即可。例如，给定聚类簇 $C_i$ 与 $C_j$，可通过下面的式子来计算距离：

显然，最小距离由两个簇的最近样本决定，最大距离由两个簇的最远样本决定，而平均距离则由两个簇的所有样本共同决定。当聚类簇距离由 $d_{min}$、$d_{max}$ 或 $d_{avg}$ 计算时， AGNES 算法被相应地称为 “单链接” (single-linkage)、“全链接” (complete-linkage) 或 “均链接” (average-linkage) 算法。

AGNES 算法描述如下图所示：

在第 1-9 行，算法先对仅含一个样本的初始聚类簇和相应的距离矩阵进行初始化；然后在第 11-23 行， AGNES 不断合
并距离最近的聚类簇，井对合并得到的聚类簇的距离矩阵进行更新;上述过程不断重复，直至达到预设的聚类簇数。

补充

聚类也许是机器学习中"新算法"出现最多、最快的领域一个重要原因是聚类不存在客观标准;给定数据集7 总能从某个角度找到以往算法未覆盖的某种标准从而设计出新算法。相对于机器学习其他分支来说， 聚类的知识还不够系统化。因此著名教科书 [Mitchell，1997] 中甚至没有关于聚类的章节，但聚类技术本身在现实任务中非常重要！！！

聚类性能度量除上面的内容外，常见的还有：

• F 值
• 互信息(mutual information)
• 平均廓宽(average silhouette width)等等

距离计算是很多学习任务的核心技术。间可夫斯基距离提供了距离计算的一般形式，除闵可夫斯基距离之外，内积距离、余弦距离等也很常用。