机器学习宝典——第6章：聚类算法 (Clustering)

第6章：聚类算法 (Clustering)

你好，同学！欢迎来到无监督学习的世界。与监督学习不同，这里的我们没有“标准答案”（标签），我们的目标是在数据中发现隐藏的、内在的结构。聚类算法就是实现这一目标的核心工具，它试图将数据集中的样本划分为若干个不相交的子集，我们称之为“簇”(cluster)。本章我们将深入探讨三种最具代表性的聚类算法：K-均值 (K-Means)、层次聚类 (Hierarchical Clustering) 和 DBSCAN。它们分别代表了基于划分、基于层次和基于密度的聚类思想，是面试中考察无监督学习知识的绝对重点。

---

6.1 K-均值 (K-Means)

K-Means 是聚类算法中最经典、最常用的算法之一。它的思想简单直观，非常适合作为理解聚类问题的起点。

• 核心思想
  K-Means 的核心思想可以概括为“物以类聚，人以群分”。具体来说，算法试图找到 $K$ 个簇的中心点（质心），并将每个数据点分配给离它最近的质心，从而形成 $K$ 个簇。其优化的目标是最小化所有数据点到其所属簇质心的距离平方和，这个值通常被称为“簇内平方和”(Within-Cluster Sum of Squares, WCSS)。当 WCSS 达到最小时，意味着每个簇内部的数据点都尽可能地紧密。

• 数学原理
  K-Means 的目标是最小化损失函数 $J$，即簇内平方和：
  $$J=\sum _{k=1}^K\sum _{x_i\in C_k}\Vert x_i-{\mu }_k{\Vert }^2$$
  其中：

  • $K$ 是我们预先指定的簇的数量。
  • $C_k$ 是第 $k$ 个簇的集合。
  • $x_i$ 是第 $i$ 个数据点。
  • ${\mu }_k$ 是第 $k$ 个簇的质心 (centroid)。
  • $\Vert x_i-{\mu }_k{\Vert }^2$ 代表数据点 $x_i$ 到其所属簇质心 ${\mu }_k$ 的欧氏距离的平方。

  由于直接求解该优化问题是 NP-hard 问题，K-Means 采用迭代的方式来寻找一个近似解。其算法流程如下（这是一种期望最大化 (EM) 思想的体现）：

  1. 初始化 (Initialization)：随机选择 $K$ 个数据点作为初始质心 ${\mu }_1,{\mu }_2$