k-means算法概述

算法过程：

1. 随机选取K个种子点
2. 求所有点到种子点的距离，将点纳入距离最近的种子点群
3. 所有点均被纳入群内后，将种子点移动到种子群中心
4. 重复上述2、3过程，直至种子点没有移动

优缺点：

• 优点：容易实现
• 缺点：可能收敛到局部最小值，在大规模数据上收敛较慢

思考：

• k值如何确定？
  • ISODATA算法针对这个问题进行了改进：当属于某个类别的样本数过少时把这个类别去除，当属于某个类别的样本数过多、分散程度较大时把这个类别分为两个子类别（类的自动合并和分裂）
  • Elbow Method：通过绘制K-means代价函数与聚类数目K的关系图，选取直线拐点处的K值作为最佳的聚类中心数目
  • 从实际问题出发，人工指定比较合理的K值，通过多次随机初始化聚类中心选取比较满意的结果
• 初始随机种子如何确定
  • K-means++选取K个聚类中心的思想：假设已经选取了n个初始聚类中心(0<n<K)，则在选取第n+1个聚类中心时：距离当前n个聚类中心越远的点会有更高的概率被选为第n+1个聚类中心。在选取第一个聚类中心(n=1)时同样通过随机的方法（聚类中心互相离得越远越好）
• 度量方式
  • 传统K-means采用欧式距离进行样本间的相似度度量，显然并不是所有的数据集都适用于这种度量方式。kernel k-means参照支持向量机中核函数的思想，将所有样本映射到另外一个特征空间中再进行聚类，就有可能改善聚类效果

代码：

地址：https://github.com/AaronX121/Clustering，使用方式非常简单，目前支持三种形式的输入，分别对应着上面的三种算法：

• [centroid, result] = Clustering(data, ‘kmeans’, k , iteration);
• [centroid, result] = Clustering(data, ‘kmeans++’, k , iteration);
• [centroid, result] = Clustering(data, ‘isodata’, desired_k , iteration, minimum_n, maximum_variance, minimum_d);

其中的输入data是一个矩阵，每一行代表数据集中的一个样本。其他输入的意义与上面的算法描述中一一对应。输出的centroid是聚类中心的位置，result是每个样本所对应的类别索引。

应用：

　　k-means不仅局限于坐标点的计算，现实世界里的物体属性只要能抽象成向量，都可以用k-means来归类

上述论述摘自：http://www.cnblogs.com/yixuan-xu/p/6272208.html