數據挖掘-均值漂移聚類算法
均值漂移聚類算法簡介
本文主要是介紹均值漂移聚類算法，又稱爲Mean-Shift-Cluster，該算法屬於無監督學習的聚類方法。主要從算法的使用場景、步驟、核心思路等角度去介紹算法。之前其實也介紹過一些聚類的算法，比如Kmeans、DBSCAN等方法，本次介紹的均值漂移聚類算法是一種基於質心的算法，該方法最終找出的是數據點密集的區域。
均值漂移聚類算法和本人之前文章介紹的聚類算法有一些不同，主要是該算法的核心理念是不停地向密度更高的方向，或者說是更密集的方向去移動，本質上對於那些顯著稀疏和密集的數據分佈有着良好的區分，但是對於一些稀疏和密集不顯著區分的數據，可能使用均值漂移聚類的算法效果就不是特別好。均值漂移聚類算法是一直移動，不停地修改每次質心點，它的思路就是：滑動-修改質心候選點-滑動-穩定後最終過濾處理 ，下面來介紹該算法的步驟。注意，步驟是以某一局部的數據做步驟的解釋，正常情況下是所有的數據進行均值漂移聚類，有N個初始點，下面的步驟爲了簡單說明，選取了1個初始點進行說明。
1）首先使用者需要決定滑動窗口的半徑R，然後隨機確定初始點A作爲質心，讓初始點A以半徑爲R的圓形區域進行滑動，每次移動均朝向密度更高，也就是數據樣本越多的地方移動。
2）每次在經過一次滑動以後，就要重新計算滑動窗口內部所有的點的均值作爲新的質心點，即有一定的質心偏移，也可以看作“漂移”，也是該算法的名稱的來源。重新計算確定質心後，繼續按上一步的步驟進行移動，即向着密度更高的區域進行移動。
3）反覆重複步驟1和步驟2，直到移動到密度最高的區域，即無論怎麼繼續移動，都不會在圓形區域內收下更多的數據樣本點，也就是說當前區域的密度是最高的，並且無法繼續增加密度了。
其實上述的三個步驟就是一個點的均值漂移聚類算法的步驟，實際情況是會有很多個初始點，一起進行滑動。當存在多個滑動圓形區域有重疊的時候，留下那個含有更多點的窗口，捨棄更少點的窗口，相對於聚類中的合併操作。並且以更多點的窗口進行質心的計算，並繼續進行滑動重複上述三個步驟。
其實均值漂移算法還是有優點的，即它無需事先指定類的數量，並且受異常值的影響非常小，這兩點相對於K-means算法是有優勢的，該算法要比K-means算法更合理，即完成的是“自動聚出N類”，而不是事先指定要N類。但是該算法的缺點在於要決定滑動窗口半徑R，如果R定的過大或者太小，都會對聚類結果造成顯著的影響。
對於該算法其實還可以進一步進行優化，比如可以使用中位數而不是平均值來進行質心的漂移；或者在選取初始點之前可以進行一次分層抽樣，拿到每個區域的具有代表性的數據，而不是隨機選擇初始點。
總的來說，均值漂移聚類在各個聚類場景都可以使用，不會拘泥於數據是球形簇狀的分佈等條件，建議在使用該算法的時候和其他聚類算法一起使用，或者對該算法在使用前先進行抽樣等操作，可以進一步提升該算法的聚類效果。另外，初學者需要區分多種聚類方法的區別以及使用的前提和使用場景，不能隨意使用某種聚類算法。