聚类问题中的算法

聚类问题中的算法“分类”指的是要将一个未知类别的对象归到某个已知类别中。“聚类”则是要将若干对象划分成几组，称每一组为一个类别。在实际应用中，分类的类别是事先给定的，往往对应某种现实含义，如网购者可能分为“随性”和“理性”两个类别，人们大致也知道是什么意思。聚类则是本无类，只是根据对象之间的某种相似性（也称邻近程度或距离），将它们分组。例如，有两个任务要完成，于是需要将一群人分成两组，分别去完成一个任务，为了有较高的效率，希望组内成员之间关系较好，配合默契。聚类形成的类不一定有明显的外在特征，往往只是根据事先给定的目标类数（如有三个任务，就要分成三组），将对象集合进行合理划分。所谓“合理”，在这里的原则就是尽量让同组的成员之间比较相似（距离较近），组间的成员之间距离较远（不相似）。一旦分类完成后，就可能会按照不同类的某些特征给它们分别命名。与分类一样，为了聚类，对象之间的相似性（或距离）含义和定义是基础。在有些应用中，对象两两之间的相似性是直接给出的;在更多的应用中，相似性则要根据对象的特征属性按照一定的规则进行计算。下面我们讨论两个算法。●自底向上的分层聚类法想象我们要搞城市群建设，需要规划将一些城市分成几个群，群内统筹协调发展。一共要分成几个群？哪些城市该放在同一个群里？这是很现实的问题。当然，做出这样的决定取决于许多因素，但其中一个重要因素就是城市间的空间距离。很难想象同一个群内的城市之间相距很远，而相距很近的两个城市却分到了不同群。表1是六座城市之間的距离矩阵（在搜索引擎中查出来的数据，不一定很准，这里只是作为例子），如果我们想分成两个群，该如何分？分成三个呢？这就是聚类问题。我们注意到，在这种背景下，两个对象（城市）之间的相似性或邻近程度自然地以距离的方式给了出来。（1）初始，每一个对象看成是一个类，于是有n个类，类和类之间的距离由表1那样的矩阵数据给出。（2）两两检查现有类之间的距离，挑出最小的，也就是表1数据中最小的（不算对角线元素，因为它们是“自己到自己”的距离）。将对应的两个类合并，具体就是将它们的数据“合并到”一行（列）上，删去另一行（列）。数据合并的策略有多种考量，其中一种是取对应两个数的较大值。（注意，现在类数少了一个，对应表1那种矩阵少了一行一列）（3）如果已经是k类了，就结束;否则返回（2）。我们以表1为例，初始6个类，考虑k=3，也就是要聚为3类，来模拟算法的运行。核心是算法的第（2）步。由于数据矩阵的对称性，观察的时候只需考虑上三角。为简单清楚起见，更新的时候则统一处理。首先，看到表1上三角中最小的数是160，即南京和合肥之间的距离。它位于第1行第6列。按照算法，应该将南京与合肥聚成一类，同时合并它们的数据，对应矩阵数据的更新。我们取较大值方案，并让第6行（列）向第1行（列）合并，就得到表2所示的结果。发生了更新的数据由下画线标示。现在是5个类，比初始减少了一个。其中加下画线显示的数就是取较大值更新的结果。继续，看到最小的数是202，上海与杭州之间的距离，位于第2行第3列。将它们合并为一类，并让第3行（列）向第2行（列）合并，就得到表3所示的结果。这一次，除了对角线上的数据外，第2行的其他数据恰好没有变化。现在就是4类了。再来一轮，看到第3行第4列的358最小，让第4行（列）向第3行（列）合并，就得到下页表4（a）所示的结果。这就是聚成3类了，达到了预定目标。若需要，还可以在这个基础上继续，得到聚为2类的结果如下页表4（b）所示。如果能把这个例子跟踪下来，相信读者一定就掌握了这个算法的要领。这个算法的聚类效果如何？看这个例子，似乎还不错。但要意识到，像许多机器学习算法一样，效果没有一个“金标准”度量，而是与数据集和应用目的有关。因而，这类算法常常包含一些启发式，用以根据具体情况斟酌采用。对S.C.Johnson算法而言，启发式的体现就在于算法第（2）步中的数据合并策略。我们例子中用的是“较大值”，其他策略还有“较小值”“平均值”等。建议读者思考体会这几种策略的“物理意义”，从而在应用中可以有针对性地选用。这个算法的时间效率如何？如果任务是要把n个对象聚成k类，每一轮找到最小的数是主要操作，总起来就是O（（n-k）*n2）。●K-means这个例子数据，每个数据点就一个值，称之为1维数据。而在实际中常见的是多维数据。例如，图2是一个二维数据点集的情形。如果要把它们聚成2类，似乎有很直观的结果，3类也行，4类就不太好说了。读者还可以想到，如果数据的维数>2，情况会变得更加复杂①，而且不太可能有视觉直观。给定一个二维数据集合D={x，y，…}和希望聚成的类别数K，要将那些数据分成K组，使得每一组内的数据点较近，而组间数据点的距离较远。假设采用欧式距离。稍为仔细一点读这个问题描述，会感到它只是表达了一个宏观的愿望，细节要求并没有说清楚。“较近”和“较远”的具体比较对象是什么呢？以图2为例，若聚成3类，无论怎么聚，不同类边界上两个点的距离都有可能比类中两个点的距离更近。那岂不是说这个问题没法解决？为此，我们需要让那种宏观的愿望具有可操作性，明确“类中数据点较近”和“类间数据点较远”的具体含义。注意到由于有了距离的概念，我们就可以谈论一组数据的“中心”，如一维空间中两个数的中心就是它们的均值，二维空间中两个数据点的中心就是它们连线的中点，等等。而如果有多个中心，就可以谈论一个数据点离哪一个更近。K-means就是从初始给定的数据点集合出发，对K个不同中心的确定和数据点归属关系进行迭代，最终形成K个数据类别的算法。2.算法思路在K-means算法中，K表示类别数，means表示均值。意指聚类过程将数据集分成了K类，每一类中的数据点都离它们的中心（亦称质心）更近，离其他的中心较远。“中心”，在本文的讨论中就是一个虚拟的数据点，其坐标为它所代表的数据集中数据点坐标的平均值。如果是两个点，如x=（1，2），y=（4，6），其中心就是（（1+4）/2，（2+6）/2）=（2.5，4）;如果是三个点，如x=（1，2），y=（4，6），z=（4，4），其中心就是（（1+4+4）/3，（2+6+4）/3）=（3，4）;等等。一般地，n個点，d1=（x1，y1），…，dn=（xn，yn），中心就是：K-means算法，就是基于待聚类的数据，迭代寻找中心的过程。它根据预设的类别数K，为每个类别设定一个初始中心（可以随机产生），然后按照离它们距离的远近，将数据做归属划分。一旦有了数据划分，反过来就可以计算它们的中心，然后再按数据离新中心的远近对数据做重新划分。如此反复，直到中心不再改变。届时，就达到了每个数据点都离所在类的中心最近的目标。3.算法描述（如图3）4.算法运行例5，10，13，21，23，24，25，39，41，42，52，55，58，59，61，62，72，79，82，92根据题意，K=4，随机设初始中心为10，30，50，70。注意，它们不需要属于初始数据点集。以距离最近为原则，将20个数据点做第一次划分，如表5（a）所示，而根据划分得到的新中心如表5（b）所示。然后以这些中心为参照，将所有数据按离新中心的距离重新划分（看到先前第4类中有些数据跑到第3类了），得到新的4个类别：{5，10，13}，{21，23，24，25，39}，{41，42，52，55，58，59，61，62}，{72，79，82，92}。再计算中心，前两个不变，第3个成为（41+42+52+55+58+59+61+62）/8=53.75，第4个变成（72+79+82+92）/4=81.25。按它们再划分数据，发现没有引起变化，K-means聚类过程完成！我们清楚地看到了中心的确定和类别划分之间的相互“迭代”。上述过程也可以用下页表6来表示。5.算法分析K-means算法是经典的聚类算法，上一轮的结果作为新一轮计算的开始值，直至前后两轮计算的结果落在一个误差范围中，即趋于稳定。这里要关心的基本问题就是它是否能趋于稳定，也就是其中|new_centers-centers|是否能变得小于一个任意设定的门槛值threshold，即“收敛”。否则，这算法就会无穷无尽地执行下去。数学理论告诉我们，收敛会发生。尽管我们不需要懂得证明，但懂得这是需要关心的事情是算法素养的要求。从执行效率看，算法是一个两重循环。内层循环就是对数据集的两次遍历，一次做划分（在K个类中心中选取最近的），一次计算新的中心。外层循环执行的次数与类中心初值的选取有关。假设N为样本数据量，K为类别数，M为外层循环的迭代次数，算法复杂性就是O（M*N*K）。由上述讨论可见，K-means算法的时间开销除了与数据样本数、聚类的类别数有关外，初始聚类中心的选择对聚类结果也有较大的影响，一旦初始值选择得不好，不仅会影响收敛速度，而且可能无法得到有意义的聚类结果。由此可见，聚类算法的效率和质量不仅仅是计算机算法的问题，对要解决的问题本身的了解和经验也是重要的因素。当然，当我们对要处理的问题不够了解时，可以用随机数作为初始中心，还可以用不同的类别数对同一数据集合做多次尝试，与熟悉应用背景的专业人士合作，解读、解释有关数据，最终确定合适的类别数，预设中心的初始值。释：①所谓“维数”，指的是数据对象特征的个数。在人工智能应用中，