聚類作爲一種重要的人類行爲,早在還提時代,一個人就通過不斷的改進下意識中的聚類模式類學會如何區分家貓、家狗等等動植物。目前,聚類方法也在許多領域都得到了廣泛的研究和成功應用。常見的如:模式識別、數據分析、圖像處理、市場研究以及文檔分析等。
聚類原理:聚類就是按照某個特定的標準(最常見的如距離)把一個數據集分割成不同的類或者簇,從而使得同一個簇類的數據對象的相似性儘可能的最大,同時不同簇中的數據對象之間的差異儘可能的最大。
1.聚類算法的分類
目前,有着大量的聚類算法[3]。但對於具體的應用,聚類算法的選擇要根據數據類型以及聚類的目的進行適當的選擇。如果聚類分析被用作描述或者探查的工具,可以對too那樣的數據嘗試多種算法,以發現數據可能揭示的結果。
聚類算法主要可以劃分爲如下幾類:劃分方法、層次方法、基於密度的方法、基於網絡的方法以及基於模型的方法[4-6]。
每一類中都存在着得到廣泛應用的方法。如:劃分法中的k-means[7]聚類方法、層次聚類方法中凝聚性層次聚類方法、基於模型方法中的神經網絡聚類方法等。
目前,聚類問題的研究不僅僅侷限於上述的硬聚類,即每一個數據只能被歸爲一類,模糊聚類[10]也是聚類分析中研究較爲廣發的一個分支。模糊聚類通過隸屬函數來確定每個數據隸屬於各個簇的程度,而不是講一個數據對象硬性的歸爲某一個簇中。目前已經有很多關於模糊聚類的算法被提出。最著名的就是FCM算法。
下面將主要對k-means聚類算法、凝聚型層次聚類方法、神經網絡聚類方法之SOM和模型聚類的FCM算法通過通用測試數據及進行聚類效果的比較和分析。
2.四種聚類方法
2.1 k-means
k-means是劃分方法中較經典的聚類方法之一。由於該算法的效率高,所以在對大規模數據進行聚類的時候被廣泛使用。目前許多算法都是圍繞該算法進行擴展和改進的。k-means算法以k爲參數,把n個對象分爲k個簇,使簇內具有較高的相似度,簇間具有較低的相似度。k-means算法的處理過程如下:
(1)隨機的選取k個對象,每個對象初始的代表了一個簇的平均值或中心;
(2)對剩餘的每個對象,根據其與各個簇中心的距離,將他賦給最近的簇;
(3)然後重新計算每個簇的平均值;
(4)如此不斷重複,直到準則函數收斂或者達到設定的迭代次數
通常採用的準則函數爲:
上式中E爲數據中所有對象與簇中心的平方誤差總和,p表示空間中的一個點,mi表示一個簇中心的座標,k爲簇的個數。
2.2 層次聚類算法
根據層次分解的順序是自底向上還是自上向下的,層次聚類算法分爲聚類的層次算法和分裂的層次聚類算法。凝聚型層次聚類的策略是先將每個對象作爲一個簇,然後合併這些原子簇爲越來越大的簇,知道所有的對象都在一個簇中,或者某個終結條件被滿足。絕大多數層次聚類數據凝聚型層次聚類方法,他們只是在簇之間相似度的定義上有一定的不同。四種廣發採用的簇間距離度量方法如下:
(1)最小距離 :
(2) 最大距離 :
(3)平均值距離 :
(4)平均距離 :
注:mi、mj表示簇的中心
這裏給出採用最小距離的凝聚型層次聚類算法計算步驟:
(1)將每個對象看爲一個類,計算兩兩之間的最小距離;
(2)將距離最小的兩個類合併爲一個新的類;
(3)重複計算新類和所有類別之間的距離;
(4)重複過程(2)和過程(3)知道所有類別合併爲一個類或者迭代結束。
2.3 SOM聚類方法
SOM 神經網絡[11]是由芬蘭神經網絡專家 Kohonen 教授提出的,該算法假設在輸入對象中 存在一些拓撲結構或順序,可以實現從輸入空間(n 維)到輸出平面(2 維)的降維映射,其映射具 有拓撲特徵保持性質,與實際的大腦處理有很強的理論聯繫。
SOM 網絡包含輸入層和輸出層。輸入層對應一個高維的輸入向量,輸出層由一系列組織在 2 維網格上的有序節點構成,輸入節點與輸出節點通過權重向量連接。 學習過程中,找到與 之距離最短的輸出層單元,即獲勝單元,對其更新。同時,將鄰近區域的權值更新,使輸出節 點保持輸入向量的拓撲特徵。
SOM算法過程如下:
(1) 網絡初始化,對輸出層每個節點權重賦初值;
(2) 將輸入樣本中隨機選取輸入向量,找到與輸入向量距離最小的權重向量;
(3) 定義獲勝單元,在獲勝單元的鄰近區域調整權重使其向輸入向量靠攏;
(4) 提供新樣本、進行訓練;
(5) 收縮鄰域半徑、減小學習率、重複,直到小於允許值,輸出聚類結果。
2.4 FCM聚類算法
1965 年美國加州大學柏克萊分校的扎德教授第一次提出了‘集合’的概念。經過十多年的發展, 模糊集合理論漸漸被應用到各個實際應用方面。爲克服非此即彼的分類缺點,出現了以模糊集 合論爲數學基礎的聚類分析。用模糊數學的方法進行聚類分析,就是模糊聚類分析[12]。
FCM 算法是一種以隸屬度來確定每個數據點屬於某個聚類程度的算法。該聚類算法是傳 統硬聚類算法的一種改進。
FCM原理如下:
設數據集,他的模糊c劃分可用模糊矩陣表示,矩陣的元素表示第j個數據點屬於第i個類的隸屬度,滿足如下條件:
目前被廣泛使用的聚類準則爲取聚類加權平均誤差平方和的極小值,即:
式中V表示聚類中心,m表示加權指數。
算法的流程如下:
(1)建立標準化數據矩陣;
(2)建立模糊相似矩陣,初始化隸屬度矩陣;
(3)算法開發迭代,直到目標函數收斂到極小值;
(4)根據迭代結果,由最後的隸屬度矩陣確定數據所屬的類,顯示最後的聚類結果。
以上略改自“深度學習500問”!!!,如有問題請指出。