K-means 聚类算法详解
K-means 是一种基于距离的迭代聚类算法，旨在将数据集划分为 $K$ 个簇。其核心目标是最小化簇内点到簇中心的距离总和。下面我们从底层原理、算法步骤、数学基础、参数选择到代码实现进行系统解析。
1. 核心思想
K-means 的目标是将数据集划分为 $K$ 个簇（Clusters），使得每个数据点属于距离最近的簇中心。通过反复调整簇中心的位置，算法不断优化簇内的紧密度，从而获得尽量紧凑、彼此分离的簇。
- 簇（Cluster）：K-means 通过最小化簇内距离的平方和，使得数据点在簇内聚集。一个簇是数据点的集合，这些点在某种意义上'彼此相似'。
- 簇中心（Centroid）：簇中心是簇中所有点的平均值，表示簇的中心位置。
- 迭代优化：K-means 通过反复迭代，调整簇的分配，使得簇内数据点与质心的距离尽可能小，逐步收敛。
2. 工作流程
K-means 使用'最近距离'来分组，流程分为两个主要步骤：分配（Assignment）和更新（Update）。
- 初始化：随机选择 $K$ 个数据点作为初始簇中心（Centroids）。
- 分配：对于数据集中的每个点，将它分配到最近的簇中心对应的簇。这里的'距离'通常使用欧氏距离。
- 更新：根据当前的簇分配，重新计算每个簇的中心，即计算簇内所有点的均值作为新的簇中心。
- 重复：不断重复分配和更新步骤，直到簇中心不再发生变化（收敛）或达到指定的最大迭代次数。
实例演示
假设我们有以下二维数据点，表示顾客的'消费金额'和'访问次数'，目标是将这些点分为 $K=2$ 个簇。
| 数据点编号 | 消费金额（x） | 访问次数（y） |
|---|---|---|
| 点 1 | 1 | 2 |
| 点 2 | 2 | 1 |
| 点 3 | 4 | 5 |
| 点 4 | 5 | 6 |
| 点 5 | 8 | 8 |
第一步：初始化质心 随机选择两个点作为初始质心（假设选择点 1 和点 5）。
- C1 = (1, 2)
- C2 = (8, 8)
第二步：分配簇 计算每个点到两个质心的欧几里得距离：$d = \sqrt{(x_1-x_2)^2 + (y_1-y_2)^2}$。
| 数据点编号 | 到 C1 的距离 | 到 C2 的距离 | 最近质心 | 分配簇 |
|---|---|---|---|---|
| 点 1 | 0 | 8.49 | C1 | 簇 1 |
| 点 2 | 1.41 | 8.06 | C1 | 簇 1 |
| 点 3 | 4.24 | 5.0 | C1 | 簇 1 |
| 点 4 | 5.0 | 4.24 | C2 | 簇 2 |
| 点 5 | 8.49 | 0 | C2 | 簇 2 |
分配结果：
- 簇 1：点 1、点 2、点 3
- 簇 2：点 4、点 5
第三步：重新计算质心 对于每个簇，计算新质心的位置：
- 簇 1 的质心：(平均 x, 平均 y) = ((1+2+4)/3, (2+1+5)/3) ≈ (2.33, 2.67)
- 簇 2 的质心：(平均 x, 平均 y) = ((5+8)/2, (6+8)/2) = (6.5, 7.0)
第四步：重复分配与更新 再次计算每个点到新质心的距离，重复上述步骤，直到质心不再变化。最终质心稳定在 C1=(2.33, 2.67), C2=(6.5, 6.0)。
3. 数学基础
K-means 的目标是最小化簇内平方误差和（Within-Cluster Sum of Squares，WCSS），公式如下： $$ J = \sum_{i=1}^{K} \sum_{x \in C_i} ||x - \mu_i||^2 $$ 其中 $||x - \mu_i||^2$ 表示数据点 $x$ 与簇中心 $\mu_i$ 之间的欧氏距离平方。
欧氏距离公式为： $$ d(x, \mu) = \sqrt{\sum_{j=1}^{n} (x_j - \mu_j)^2} $$ 其中 $n$ 是数据的维度。
4. 伪代码
KMeans(X, K):
1. 随机选择 K 个点作为初始簇中心
2. 重复以下步骤，直到簇中心不再发生变化：
a. 分配每个点到最近的簇中心
b. 重新计算每个簇的中心，作为簇内所有点的均值
3. 返回最终的簇分配和簇中心
5. 时间复杂度
若迭代次数为 $T$，则总体复杂度为 $O(n \cdot K \cdot T)$。
- 分配步骤：需要计算每个点到 $K$ 个簇中心的距离，复杂度为 $O(n \cdot K)$。
- 更新步骤：重新计算每个簇的中心，需要遍历所有点，复杂度也是 $O(n \cdot K)$。
6. 优缺点分析
优点
- 简单高效：适合大规模数据，处理大数据集时非常高效，具有良好的伸缩性。
- 收敛速度快：在适合的初始中心选择下，K-means 通常可以较快收敛。
缺点
- 对初始点敏感：初始簇中心的选择对最终结果影响较大。
- 形状限制：假设每个簇是凸形且大小相近，不适合发现非凸形状的簇（如'月牙型'数据）。
- 对噪声敏感：离群点会影响簇的中心计算。
- 局部最优：不能保证全局最优，只能达到局部最优。
7. K 值的选择
确定最佳的簇数 $K$ 是 K-means 聚类中的一个难点。常用的选择方法有：
- 轮廓系数（Silhouette Coefficient）：衡量聚类结果的紧密度和分离度。
- Calinski-Harabasz 指数：衡量簇内的方差与簇间方差之比。
- 肘部法（Elbow Method）：绘制不同 K 值下的 WCSS 图，寻找'肘部'点作为最佳 $K$ 值。当 SSE 图像下降幅度最大放缓时，即为最佳 K 值区间。
8. Python 实现
我们可以使用 scikit-learn 中的 KMeans，以及手动实现以便更深入理解。
8.1 使用 scikit-learn
from sklearn.cluster import KMeans
import numpy as np
# 生成示例数据
X = np.array([[1, 2], [2, 2], [3, 3], [8, 7], [8, 8], [25, 80]])
# 初始化并训练模型
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
# 获取簇标签和簇中心
labels = kmeans.labels_
centroids = kmeans.cluster_centers_
print("Cluster labels:", labels)
print("Centroids:", centroids)
8.2 手动实现
以下是 K-means 的核心逻辑手动实现，有助于理解内部机制：
import numpy as np
def initialize_centroids(X, k):
indices = np.random.choice(len(X), k, replace=False)
return X[indices]
def closest_centroid(X, centroids):
distances = np.linalg.norm(X[:, np.newaxis] - centroids, axis=2)
return np.argmin(distances, axis=1)
def update_centroids(X, labels, k):
return np.array([X[labels == i].mean(axis=0) for i in range(k)])
def kmeans(X, k, max_iters=100, tol=1e-4):
centroids = initialize_centroids(X, k)
for i in range(max_iters):
labels = closest_centroid(X, centroids)
new_centroids = update_centroids(X, labels, k)
if np.all(np.abs(new_centroids - centroids) < tol):
break
centroids = new_centroids
return labels, centroids
# 示例数据
X = np.array([[1, 2], [2, 2], [3, 3], [8, 7], [8, 8], [25, 80]])
labels, centroids = kmeans(X, k=2)
print("最终簇:", labels)
print("质心位置:", centroids)
9. 收敛性与 K-means++
K-means 的收敛性受到初始簇中心选择的影响。K-means++ 是一种改进的初始化方法，优先选择'距离最远'的点作为初始质心，减少陷入局部最优的风险。
K-means++ 步骤
- 随机选择一个点作为第一个中心。
- 对于每个点，计算其与已选择中心的最小距离 $D(x)$。
- 根据 $D(x)$ 的平方来选择下一个聚类中心，距离越远的点被选为新中心的概率越大。
- 重复直到选择 $K$ 个聚类中心。
优势
- 避免随机性问题：确保初始中心分布更均匀。
- 提高收敛速度：减少迭代次数。
- 更稳定的结果：尤其在处理复杂结构数据时效果更佳。
10. 总结
K-means 是一种简单、快速的聚类算法，广泛应用于数据聚类任务。通过反复优化簇中心位置，K-means 不断收敛并找到数据的聚类结构。然而，它对初始条件敏感，对簇形状有限制，适合于球形且均匀分布的簇。在实际应用中，可通过结合 K-means++、肘部法和轮廓系数等手段改进其效果。