kmeans设置中心_KMeans聚类分析

本文对K-Means聚类分析进行了详细的讲解，包括对理论的简略说明和详细的SPSS操作过程，以及部分参考文献供大家参考学习。

目录 1. 什么是聚类分析 2. K-Means步骤 3. 初始中心点怎么确定 4. K值怎么确定 5. 理论小结 6. SPSS操作方法 7. 参考论文下载

1. 什么是聚类分析

只有数据，无明确答案，即训练集没有标注目标变量，由计算机自己找出规律，把有相似属性的样本放在一组，每个小组也称为簇或集团(cluster)。

其实，最早的聚类分析是在考古分类、昆虫分类研究中发展起来的，目的是找到隐藏于数据中客观存在的“自然小类”，“自然小类”具有类内结构相似、类间结构差异显著的特点，通过刻画“自然小类”可以发现数据中的规律、揭示数据的内在结构。

如何高效的使用聚类分析，主要体现在聚类变量的选择和对于聚类结果的解读。比如要对于现有的客户分群，那么就要根据最终分群的目的选择不同的变量来分群，这就需要专家经验或者基础理论的支持。如果要优化客户服务的渠道，那么就应选择与渠道相关的数据；如果要推广一个新产品，那就应该选用用户目前的使用行为的数据来归类用户的兴趣，单靠算法是无法做到这一点的。

欠缺经验的分析人员和经验丰富的分析人员对于结果的解读会有很大差异。当然，不光是聚类分析，所有的分析都不能仅仅依赖统计学家或者数据工程师，其实这也给了我们很大的诠释空间。

2. K-Means基本原理

K-Means聚类步骤是一个循环迭代的算法，非常简单易懂：

1. 假定我们要对N个样本观测做聚类，要求聚为K类，首先选择K个点作为初始中心点；

2. 接下来，按照距离初始中心点最小的原则，把所有观测分到各中心点所在的类中；

3. 每类中有若干个观测，计算K个类中所有样本点的均值，作为第二次迭代的K个中心点；

4. 然后根据这个中心重复第2、3步，直到收敛(中心点不再改变或达到指定的迭代次数)，聚类过程结束。

以二维平面中的点为例，用图片展示K=2时的迭代过程：

1. 现在我们要将图(a)中的n个绿色点聚为2类，先随机选择蓝叉和红叉分别作为初始中心点；

2. 分别计算所有点到初始蓝叉和初始红叉的距离，距离蓝叉更近就涂为蓝色，距离红叉更近就涂为红色，遍历所有点，直到全部都染色完成，如图(b)；

3. 现在我们不管初始蓝叉和初始红叉了，对于已染色的红色点计算其红色中心，蓝色点亦然，得到第二次迭代的中心，如图(c )；

4. 重复第2、3步，直到收敛，聚类过程结束。

3. 初始中心点怎么确定

在k-means算法步骤中，本质目标就是实现同一个簇中的样本差异小，即最小化SSE。在分析中，有两个地方降低了SSE(误差项平方和)：

把样本点分到最近邻的簇中，这样会降低SSE的值；重新优化聚类中心点，进一步的减小了SSE。

这样的重复迭代、不断优化，会找到局部最优解(局部最小的SSE)，如果想要找到全局最优解需要找到合理的初始聚类中心。

那合理的初始中心怎么选？

方法有很多，譬如先随便选个点作为第1个初始中心C1，接下来计算所有样本点与C1的距离，距离最大的被选为下一个中心C2，直到选完K个中心。这个算法叫做K-Means++，可以理解为 K-Means的改进版，它可以能有效地解决初始中心的选取问题，但无法解决离群点问题。

总的来说，最好解决办法还是多尝试几次，即多设置几个不同的初始点，从中选最优，也就是具有最小SSE值的那组作为最终聚类。

4. K值怎么确定

这个其实是大家最关心的地方吧。

理论上来说，K设置得越大，样本划分得就越细，每个簇的聚合程度就越高，误差平方和SSE自然就越小。但是无限大的设置K值，会使集团数量过多，分析起来更为复杂，无法进行实际应用，违背了聚类分析的初衷。所以不能单纯像选择初始点那样，用不同的K来做尝试，选择SSE最小的聚类结果对应的K值，因为这样选出来的肯定是你尝试的那些K值中最大的那个。

确定K值的一个主流方法叫“手肘法”。

如果我们拿到的样本，客观存在J个“自然小类”，这些真实存在的小类是隐藏于数据中的。三维以下的数据我们还能画图肉眼分辨一下J的大概数目，更高维的就不能直观地看到了，我们只能从一个比较小的K，譬如K=2开始尝试，去逼近这个真实值J。

1. 当K小于样本真实簇数J时，K每增大一个单位，就会大幅增加每个簇的聚合程度，这时SSE的下降幅度会很大；

2. 当K接近J时，再增加K所得到的聚合程度回报会迅速变小，SSE的下降幅度也会减小；

3. 随着K的继续增大，SSE的变化会趋于平缓。

例如下图，真实的J我们事先不知道，那么从K=2开始尝试，发现K=3时，SSE大幅下降，K=4时，SSE下降幅度稍微小了点，K=5时，下降幅度急速缩水，再后面就越来越平缓。所以我们认为J应该为4，因此可以将K设定为4。

叫“手肘法”可以说很形象了，因为SSE和K的关系图就像是手肘的形状，而肘部对应的K值就被认为是数据的真实聚类数。

当然还有其他设定K值的方法，这里不赘述，总的来说还是要结合自身经验多做尝试，要知道没有一个方法是完美的。

5. 理论小结

K-Means优点在于原理简单，容易实现，聚类效果好。

当然，也有一些缺点：比如K值、初始点的选取不好确定；得到的结果只是局部最优；受离群值影响大等等。

每个算法都有自己的特点，所以要多学习，掌握不同算法的逻辑、作用、应用场景和优缺点。这样的话，在需要解决实际问题时，就容易结合自身经验，选出最合适的算法模型来达到自己的目标。

6. SPSS操作方法

1. 准备好数据，在菜单栏上执行：analyse--classify--k-means cluster，打开k平均数对话框。

2. 将聚类用到的指标变量放入variables，将客户的编码(ID)放到label cases by当中，把客户编号作为case的标签。