假設您想根據內容和主題對數百（或數千）個文檔進行分類，或者您希望出于某種原因將不同的圖像組合在一起。或者更重要的是，假設你有相同的數據已經被分類但是你想要挑戰這個標簽，您想知道數據分類是否有意義，或者是否可以改進。

好吧，我的建議是你對數據進行聚類。信息經常會因為冗余等各種原因變得模糊不清，而將數據分組到具有相似特征的群集（群集）中是一種有效的方式。

聚類是一種廣泛用于查找具有相似特征的觀察組（稱為聚類）的技術。此過程不是由特定目的驅動的，這意味著您不必專門告訴您的算法如何對這些觀察進行分組，因為它是獨立進行（組有機地形成）分組的。結果是，同一組中的觀察（或數據點）在它們之間比另一組中的其他觀察更相似。目標是獲得盡可能相似的同一組中的數據點，并使不同組中的數據點盡可能不相似。

K-means非常適合探索性分析，非常適合了解您的數據并提供幾乎所有數據類型的見解。無論是圖像、圖形還是文本，K-means都非常靈活，幾乎可以滿足所有需求。

無監督學習中的搖滾明星之一

聚類（包括K均值聚類）是一種用于數據分類的無監督學習技術。

無監督學習意味著沒有輸出變量來指導學習過程（沒有這個或那個，沒有對錯），數據由算法來探索以發現模式。我們只觀察這些特征，但沒有對結果進行確定的測量值，因為我們想要找出它們。

與監督學習不同的是，非監督學習技術不使用帶標簽的數據，算法需要自己去發現數據中的結構。

在聚類技術領域中，K-means可能是最常見和經常使用的技術之一。K-means使用迭代細化方法，基于用戶定義的集群數量（由變量K表示）和數據集來產生其最終聚類。例如，如果將K設置為3，則數據集將分組為3個群集，如果將K設置為4，則將數據分組為4個群集，依此類推。

K-means從任意選擇的數據點開始，作為數據組的提議方法，并迭代地重新計算新的均值，以便收斂到數據點的最終聚類。

但是，如果您只提供一個值（K），算法如何決定如何對數據進行分組？當您定義K的值時，您實際上是在告訴算法您需要多少均值或質心（如果設置K = 3，則創建了3個均值或質心，其中包含3個聚類）。質心是表示聚類中心的數據點（均值），它可能不一定是數據集的成員。

這就是算法的工作原理：

K個質心是隨機創建的（基于預定義的K值）

K-means將數據集中的每個數據點分配到最近的質心（最小化它們之間的歐幾里德距離），這意味著如果數據點比任何其他質心更接近該群集的質心，則認為該數據點位于特定集群中。

然后K-means通過獲取分配給該質心集群的所有數據點的平均值來重新計算質心，從而減少與前一步驟相關的集群內總方差。K均值中的“均值”是指對數據求均值并找到新的質心。

該算法在步驟2和3之間迭代，直到滿足一些標準（例如最小化數據點與其對應質心的距離之和，達到最大迭代次數，質心值不變或數據點沒有變化集群）

在該示例中，經過5次迭代之后，計算的質心保持相同，并且數據點不再交換集群（算法收斂）。這里，每個質心都顯示為一個深色的數據點。

運行此算法的初始結果可能不是最佳結果，并且使用不同的隨機起始質心重新運行它可能提供更好的性能（不同的初始對象可能產生不同的聚類結果）。出于這個原因，通常的做法是使用不同的起點多次運行算法，并評估不同的初始化方法（例如Forgy或Kaufman方法）。

但另一個問題出現了：你如何知道K的正確值，或者要創建多少個質心？對此這個問題沒有普遍的答案，雖然質心或集群的最佳數量還不是先驗的，但是存在不同的方法來估計它。一種常用的方法是測試不同數量的集群并測量得到的誤差平方之和，選擇K值，在該值處增加將導致誤差和減小的非常小，而減小時將急劇增加誤差和。定義最佳集群數的這一點被稱為“肘點”，可以用作一個視覺度量來找到K值的最佳選擇。

在此示例中，肘點位于3個集群中

K-means是您的數據科學工具包中必不可少的，有幾個原因。首先，它易于實現并帶來高效的性能。畢竟，您只需要定義一個參數（K的值）來查看結果。它的速度很快并且可以很好地處理大型數據集，使其能夠處理當前的海量數據。它非常靈活，可以與幾乎任何數據類型一起使用，其結果易于解釋，并且比其他算法更易于解釋。此外，該算法非常受歡迎，您幾乎可以在任何學科中找到用例和實現。

但凡事都有不利的一面

K-means也存在一些缺點。第一個是你需要定義集群的數量，這個決定會嚴重影響結果。此外，由于初始質心的位置是隨機的，因此結果可能不具有可比性并且顯示缺乏一致性。K-means生成具有統一大小的聚類（每個聚類具有大致相同的觀察量），即使數據可能以不同的方式運行，并且它對異常值和噪聲數據非常敏感。此外，它假設每個聚類中的數據點被建模為位于該聚類質心周圍的球體內（球形限制），但是當違反此條件（或任何先前的條件）時，算法可以以非直觀的方式運行。

例1

示例1：在左側，數據的直觀聚類，兩組數據點之間有明顯分離（由一個較大的數據點包圍的一個小環的形狀）。在右側，通過K均值算法（K值為2）聚類的相同數據點，其中每個質心用菱形表示。如您所見，該算法無法識別直觀的聚類。

例2

示例2：左側是兩個可識別數據組的聚類。在右側，K-means聚類在相同數據點上的結果不適合直觀的聚類。與示例1的情況一樣，由于算法的球形限制，K-means創建的分區不能反映我們在視覺上識別的內容。它試圖找到圍繞它們的整個數據球體的質心，并且當聚類的幾何形狀偏離球體時表現很差。

例3

示例3：再次，在左側有兩個清晰的集群（一個小而緊密的數據組和另一個較大且分散的集群），K-means無法識別（右側）。這里，為了平衡兩個數據組之間的集群內距離并生成具有統一大小的集群，該算法混合兩個數據組并創建2個不代表數據集的人工集群。

有趣的是，無論這些數據點之間的關系多么明顯，K-means都不允許彼此遠離的數據點共享同一個集群。

現在做什么？

事情是現實生活中的數據幾乎總是復雜、雜亂無章和嘈雜的。現實世界中的情況很少能反映出明確的條件，即可立即應用這些類型的算法。在K-means算法的情況下，預計至少有一個假設會被違反，因此我們不僅要識別它，還需要知道在這種情況下該做什么。

好消息是還有其他選擇，可以糾正缺陷。例如，將數據轉換為極坐標可以解決我們在示例1中描述的球形限制。如果發現嚴重的限制，還可以考慮使用其他類型的聚類算法。可能的方法是使用基于密度或基于層次的算法，這些算法修復了一些K均值限制（但也有其自身的局限性）。

總之，K-means是一種具有大量潛在用途的精彩算法，因此它具有多種功能，幾乎可用于任何類型的數據分組。但是從來沒有免費的午餐：如果你不想被引導到錯誤的結果，你需要了解它的假設和它的運作方式。

審核編輯 ：李倩