机器学习/sklearn笔记：MeanShift

1 算法介绍

• 一种基于质心的算法
• 通过更新候选质心使其成为给定区域内点的均值
• 候选质心的位置是通过一种称为“爬山”技术迭代调整的，该技术找到估计的概率密度的局部最大值

1.1 基本形式

• 给定d维空间的n个数据点集X，那么对于空间中的任意点x的均值漂移向量基本形式可以表示为：
  • 
  • 其中Sk表示数据集的点到x的距离小于球半径h的数据点
• 漂移过程就类似于”梯度下降“
  • 通过计算漂移向量，然后把球圆心x的位置更新一下
  • 
  • 求解一个向量，使得圆心一直往数据集密度最大的方向移动（每次迭代找到圆里面的平均位置作为新的圆心位置）

1.2 加入核函数的漂移向量

• 引入核函数可以知道数据集的密度，梯度是函数增加最快的方向
• 这里的核函数为
  • 
• 对每个点的核函数求微分，有：
  • 
  • g(x)=-k'(x)
  • 第二个中括号前面的是实数值
  • 第二项的向量方向与梯度方向一致
• 所以令加入核函数后的偏移向量为：
  • 
  • 继续

1.3 聚类流程

假设在一个多维空间中有很多数据点需要进行聚类，Mean Shift的过程如下：

1. 在未被标记的数据点中随机选择一个点作为中心center；
2. 找出离center距离在bandwidth之内的所有点，记做集合M，认为这些点属于簇c
   1. 同时，把这些求内点属于这个类的频率加1，这个参数将用于最后步骤的分类
3. 以center为中心点，计算从center开始到集合M中每个元素的向量，将这些向量相加，得到向量shift 【如果是带核函数的均值漂移，那么m(x)有额外的计算方式】
4. center = center+shift。即center沿着shift的方向移动，移动距离是||shift||
5. 重复步骤2、3、4，直到shift的大小很小（就是迭代到收敛），记住此时的center
   1. 这个迭代过程中遇到的点都应该归类到簇c
   2. 如果收敛时当前簇c的center与其它已经存在的簇c2中心的距离小于阈值，那么把c2和c合并。否则，把c作为新的聚类，增加1类
6. 重复1、2、3、4、5直到所有的点都被标记访问。
7. 分类：根据每个类，对每个点的访问频率，取访问频率最大的那个类，作为当前点集的所属类。

对新样本进行标记是通过找到给定样本的最近质心来执行的。

2 sklearn 实现

2.1 基本使用方法

class sklearn.cluster.MeanShift(
    *, 
    bandwidth=None, 
    seeds=None, 
    bin_seeding=False, 
    min_bin_freq=1, 
    cluster_all=True, 
    n_jobs=None, 
    max_iter=300)

2.2 主要参数

bandwidth	搜寻圆的大小
seeds	用于初始化核的种子
cluster_all	如果为true，则所有点都被聚类，即使是那些不在任何核内的孤儿点也一样。孤儿被分配到最近的核。 如果为false，则孤儿的聚类标签为-1

2.3 举例

from sklearn.cluster import MeanShift
import numpy as np

X = np.array([[1, 2], [1, 4], [1, 0],
              [10, 2], [10, 4], [10, 0]])

ms=MeanShift(bandwidth=1).fit(X)

ms.cluster_centers_
'''
array([[10.,  4.],
       [10.,  2.],
       [10.,  0.],
       [ 1.,  4.],
       [ 1.,  2.],
       [ 1.,  0.]])
'''

ms.labels_
#array([4, 3, 5, 1, 0, 2], dtype=int64)