K-means 聚类算法原理与实现详解

目标是将这些点分为 K=2 个簇。

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）。
• 初始质心为：
  • 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：

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)

更新质心为：

• C1=(2.33,2.67)
• C2=(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'分配簇'和'重新计算质心'步骤，直到质心不再变化。

最终结果：

• 簇 1：点 1、点 2、点 3
• 簇 2：点 4、点 5

质心稳定在：

• C1=(2.33,2.67)
• C2=(6.5,6.0)

3. K-means 的数学公式

K-means 的目标是最小化簇内平方误差和（Within-Cluster Sum of Squares，WCSS），即每个点到其所属簇中心的距离的平方和，公式如下：

其中：

表示数据点 x 与簇中心 μ_i 之间的欧氏距离平方。

μ_i 是第 i 个簇的质心。

x 是属于 C_i 的数据点。

C_i 是第 i 个簇的点集。

K 是簇的数量。

欧氏距离

K-means 通常采用欧氏距离来衡量点到簇中心的距离，其公式为：

其中 n 是数据的维度。

4. K-means 的伪代码

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

分配步骤（Assignment Step）

对于每个数据点，找到距离最近的簇中心 μ_j：

更新步骤（Update Step）

更新每个簇的中心 μ_j 为簇内所有点的均值：

5. K-means 的时间复杂度分析

总复杂度：若迭代次数为 T，则总体复杂度为 O(nKT)。

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*K)。

每次分配步骤：需要计算每个点到 K 个簇中心的距离，复杂度为 O(n*K)。

6. K-means 的优缺点

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。
• 非凸形状簇 (球形簇)：K-means 假设每个簇是凸形且大小相近，不适合发现非凸形状的簇或大小差异很大的簇，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：K-means 不能保证全局最优，只能达到局部最优。
• 数据种类限制：算法要求样本存在均值，限制了数据的种类。

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：

1. 轮廓系数（Silhouette Coefficient）： 衡量聚类结果的紧密度和分离度。通常，轮廓系数越高，聚类效果越好。
2. Calinski-Harabasz 指数： 衡量簇内的方差与簇间方差之比，值越大越好。

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。

下图可以发现当 k=4 或者 5 时是最佳的情况 SSE 图像下降幅度最大放缓的情况在 4-5 之间。

8. Python 实现 K-means

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 实现 K-means

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 KMeans 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)

输出：

Cluster labels: [0 0 0 1 1 1]
Centroids: [[ 2. 2.33333333]
             [13.66666667 31.66666667]]

8.2 手动实现 K-means 算法

以下是 K-means 的核心逻辑手动实现：

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]])

# 运行 K-means
labels, centroids = kmeans(X, k=2)
print("最终簇:", labels)
print("质心位置:", centroids)

9. 收敛性与初始中心的选择

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，可以帮助选择更合理的初始中心，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++ 初始中心选择步骤

1. 随机选择一个点作为第一个中心。
2. 对于每个点，计算其与已选择中心的最小距离。对于每一个未被选中的数据点，计算其到已选中心的距离。具体来说，假设已经选择了 k 个聚类中心，接下来要选择第 k+1 个中心：
   1. 计算距离：计算每个数据点到最近一个已选聚类中心的距离 D(x)，即对于数据点 x，计算其到已选择的所有质心的最短距离 D(x)，其中 C 是已选的聚类中心集合。
   2. 加权选择下一个中心：根据每个数据点的距离 D(x) 的平方来选择下一个聚类中心，选择的概率与 D(x) 的值的大小成正比。也就是说，距离当前已选聚类中心远的点，被选为新中心的概率更大。
3. 重复步骤 2，直到选择 K 个聚类中心

为什么 K-means++ 更好？

• 避免了随机初始化的问题：传统的 K-means 算法是随机选择聚类中心，可能导致聚类中心选择得非常接近，这样会导致算法陷入局部最优解，或者聚类效果不好。K-means++ 通过加权选择，确保了初始聚类中心的分布更加均匀，从而减少了这种风险。
• 提高了收敛速度：由于初始聚类中心已经比较合理，K-means++ 通常能更快收敛。K-means 算法的收敛速度和初始中心的选择密切相关，选择较好的初始中心可以减少迭代次数。
• 更稳定的聚类结果：K-means++ 选择中心的方式使得最终聚类结果更加稳定，尤其在处理具有复杂结构或分布的数据时，相比传统的随机初始化方法，K-means++ 更能得到质量较高的聚类结果。

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。