原文引用
http://flylijian.spaces.live.com/

1.
什么是 k-means 聚类算法?

  从网上找到了很多定义,这里选取比较典型的几个;

  K-Mean 分群法是一种分割式分群方法,其主要目标是要在大量高纬的资料点中找出

       具有代表性的资料点;这些资料点可以称为群中心,代表点;然后再根据这些

        群中心,进行后续的处理,这些处理可以包含

   1 )资料压缩:以少数的资料点来代表大量的资料,达到资料压缩的功能;

   2 )资料分类:以少数代表点来代表特点类别的资料,可以降低资料量及计算量;

 

       分割式分群法的目的是希望盡量減小每個群聚中,每一點與群中心的距離平方差(square error)。 

 假設我們現在有一組包含c個群聚的資料,其中第 k 個群聚可以用集合 Gk來表示,假設 Gk包含nk

 資料 {x1, x2, …, xnk),此群聚中心為yk,則該群聚的平方差 ek可以定義為:

             ek = S i |xi-yk|2 ,其中 xi是屬於第 k 群的資料點。

 而這c個群聚的總和平方差E便是每個群聚的平方差總和:

E = S k=1~c ek

 我們分群的方法,就變成是一個最佳化的問題,換句話說,我們要如何選取 c 個群聚以及相關的群中心,

 使得 E 的值為最小。

 

2 .处理流程

1   c 个数据对象任意选择 k 个对象作为初始聚类中心;
2   循环( 3 )到( 4 )直到每个聚类不再发生变化为止;
3   根据每个聚类对象的均值(中心对象),计算每个对象与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;
4   重新计算每个(有变化)聚类的均值(中心对象)

 

 

3. java 算法的实现说明

  1) 假设给点一组 c 点资料 X = {x1, ..., xc} ,每一点都有 d 维;给定一个群聚的数目 k, 求其

     最好的聚类结果。

  2 BasicKMeans.java 主类

        int coordCount = 250;// 原始的资料个树

        int dimensions = 100;// 每个资料的纬度数目

        double[][] coordinates = new double[coordCount][dimensions];

  这里假设 c 点资料为 coordinates 对象,其中 c coordCount,d dimensions 相应值。

        int mk = 30; // 想要群聚的数目

   根据群聚数目定义 mk 个群聚类对象

      mProtoClusters = new ProtoCluster[mK];// ProtoCluster 类说明

   // 首先随机选取 mk 个原始资料点作为群聚类

     mProtoClusters[i]= new ProtoCluster (coordinates[j] );//i 依此为 0 mk 的值; j 0 coordCount 的值

  定义一个变量用于记录和跟踪每个资料点属于哪个群聚类

    mClusterAssignments = new int[coordCount];

    mClusterAssignments[j]=i;// 表示第 j 个资料点对象属于第 i 个群聚类

   // 开始循环

  •    // 依次调用计算每个群聚类的均值

   mProtoClusters[i].updateCenter(mCoordinates);// 计算第 i 个聚类对象的均值

 

  •    // 依次计算每个资料点到中心点的距离,然后根据最小值划分到相应的群集类中;

  采用距离平方差来表示资料点到中心点的距离;

   //定义一个变量,来表示资料点到中心点的距离

   mDistanceCache = new double[coordCount ][mk];

    //其中mDistanceCache[i][j]表示第i个资料点到第j个群聚对象中心点的距离;

    //距离算法描述():

     a)依次取出每个资料点对象double[] coord = coordinates[i];

        b)再依次取出每个群聚类中的中心点对象double[] center = mProtoClusters[j].mCenter;

        c)计算coord对象与center对象之间的距离 

     double distance(double[] coord, double[] center) {
        int len = coord.length;
        double sumSquared = 0.0;
        for (int i=0; i<len; i++) {
            double v = coord[i] - center[i];
            sumSquared += v*v; //平方差
        }
        return Math.sqrt(sumSquared);
      } 

     d)循环执行上面的流程,把结果记录在mDistanceCache[i][j]中;

  •       //比较出最小距离,然后根据最小距离重新对相应对象进行划分

     依次比较每个资料点的 最短中心距离,
      int nearestCluster(int ndx) {
        int nearest = -1;
        double min = Double.MAX_VALUE;  
        for (int c = 0; c < mK; c++) {
                double d = mDistanceCache[ndx][c];
                if (d < min) {
                    min = d;
                    nearest = c;
                }          
           }
        return nearest;
       }
  该方法返回该资料点对应的最短中心距离的群聚类的索引值;
  比较每个 nearestCluster[coordCount] 的值和mClusterAssignments[coordCount]
  的值是否相等,如果全相等表示所有的点已经是最佳距离了,直接返回;
  否则需要重新调整资料点和群聚类的关系,调整完毕后再重新开始循环;

  调整时需要更新下列数据:

    a)更新mProtoClusters[i]中的mCurrentMembership集合;

       b)更新mClusterAssignments[i]中对应的值;

   然后重行开始循环

   3 ProtoCluster.java 是一个包含代表点的群聚类,该类有两个最主要的属性"代表点"和"群中心";

         int[] mCurrentMembership;// 用于表示每个群聚包含的数据资料点集合

        double[] mCenter;// 用于表示每个聚类对象的均值,也就是中心对象

         void updateCenter(double[][] coordinates) {

       // 该方法计算 聚类对象的均值 ;

        // 根据 mCurrentMembership 取得原始资料点对象 coord ,该对象是 coordinates 的一个子集;然后取出该子集的均值;

    取均值的算法很简单,可以把 coordinates 想象成一个 m*n 的距阵 , 每个均值就是每个纵向列的取和平均值 , 该值保

    存在 mCenter

       for (int i=0; i< mCurrentMembership.length; i++) {

               double[] coord = coordinates[mCurrentMembership[i]];

               for (int j=0; j<coord.length; j++) {

                        mCenter[j] += coord[j];// 得到每个纵向列的和;

               }

               f or (int i=0; i<mCenter.length; i++) {

                    mCenter[i] /= mCurrentSize; // 对每个纵向列取平均值

                }

           } 

      参考文档:http://www.javaworld.com/javaworld/jw-11-2006/jw-1121-thread.html