关于机器学习中C均值算法的相关介绍

前言

  在机器学习的无监督算法中，可能C均值算法是较早出现（笔者在韩家炜教授上世纪90年代所著的《数据挖掘》中最早看到）同时其若干变种可能也是应用最为广泛的一类无监督算法，只不过那时可能机器学习一词使用的还不甚广泛，而是叫做数据挖掘（Data Mining），不过无论采用何种称谓，其本质其实并没有什么不同，而且需要说明的一点是，这种算法在业界又被称作K均值算法（即KMeans）。

  在前面讨论混合高斯聚类方法时，本来笔者提到无意阐述这个算法（可能过于简单抑或它已经烂大街了？就像MINST库被玩残了一样），但其有一个所谓的模糊C均值聚类，这个模型还是有些讨论价值的。

   对于一般聚类算法而言，其实我们主要考量两个原则，一个是类内聚合程度以及类间分离程度，故以下的相关讨论一般都是围绕这两个原则进行的，包括后面会写到的相关基于密度的无参数聚类算法，如削峰法以及描峰法等（其实对于其它非聚类算法而言，也一般需要遵从这两个原则，而对于监督分类算法则不完全一样，因为样本点已经被进行了标识，即打了标签）。

基础C均值算法

   根据类聚合原则而言，对于样本的相关分类当然是类内的差异越小越好，而类间的差异是越大越好，这样方能达到我们对于聚类的需求，但采用不同的类聚合评估函数会导致不同的聚类结果，而人们习惯上会使用样本方差这个指标来评估它们之间的差异程度。

           如果我们使用软性类划分矩阵，则可以给出如下公式：

   其中，而表示样本的第i类的集合，而D是样本与类差异的评估函数，那么根据上式显然我们能够得到相关目标函数的表达式：

   对于上式而言，需要求解两组参数，按照之前机器学习的经验，我们可以交叉进行，即先固定一组参数，求解另一组，然后再优化另一组。

            先对参数类X进行求导并令其结果为0，我们有：

   根据公式3可得如下结果：

  

   然后固定参数X（注意这是一个具有维度为C的向量）再求解参数u（这里没法对公式2求偏导了）。我们对于公式4的理解可以是这样的，先随机化归属度矩阵，然后计算类内的相关值，那么如何再求解参数u？一般我们只要考虑对于每个样本而言，其到所属类的距离是不是大于某个阈值，如果是则将其在所属度矩阵的赋值变为1，而其它分量则改成0，否则修改成0，而将其所属度值加到别的分量上（其实最终归属度矩阵都会变成One-Hot-Vector）。

  如此循环往复直到整体收敛。上述算法步骤其实与网上介绍的一般C均值聚类算法不太一样，传统的做法如下：

 

1. 在样本集合中选择C个点作为初始类中心；

2. 在剩下的样本点中选择一个，计算其到各个中心点的距离，选取距离最短者将其归为那个类别；

3. 选择下一个样本，重复2直到计算完所有样本，若集合不发生变化或达到迭代上限则转5否则转4；

4. 根据当前的类划分情况重新计算中心点，重复步骤2；

5. 结束算法。

 

  可以看出上述算法的复杂度为O(NCt)，其中N是样本个数，C是类别数量，而t是迭代的次数。

 

         那么C均值的算法存在什么问题？其一就是最终划分的结果仍是硬分类，而且对于初值的选取也会导致结果可能存在不同（会达到局部鞍点）或者收敛速度过慢。

模糊C均值算法

  在上节的C均值算法中，即便归属度矩阵的元素初始值不为整数，但算法执行完毕后仍会得到样本的硬分类，这个在很多场合是不太适用的，故本节主要讨论模糊的C均值算法，即分类算法执行完成后，我们得到的是样本的软分类结果。

   为了达到上述目标，我们对公式2加入约束，并使用拉格朗日乘数法，公式变为如下形式（其中对于归属度矩阵的每个元素我们加入了m，这个被称作加权归属度，一般它大于等于1）：

  对于上式，后面一部分就是增加的约束，可以明显看出约束即为，那么同样的分别对公式5求各个参数的偏导（与上节不同，由于使用了拉格朗日乘数法故含有三个参数需要求解），我们有：

  这个公式与之前相对应的公式并无太大差别，而对于参数而言，因为使用了拉格朗日乘数法所以也能对公式5求取偏导，得：

 至于上述公式是怎么的来的？我们有如下推导（《机器学习》这本书没有进行相关介绍，现笔者交代下过程以免造成误解），对于参数λ的偏导，我们可以得到如下公式：

  综合公式9和公式10，我们有如下的推导（注意这里使用了下标j，而不是i，这是为了进行一定程度的区分，其实意思上并没有什么不同）：

  然后将以上公式带回到公式10中就能得到最终的结果，得证。