K-means面试题
1. 聚类算法（clustering Algorithms）介绍
聚类是一种无监督学习---对大量未知标注的数据集，按数据的内在相似性将数据集划分为多个类别，使类别内的数据相似度较大而类别间的数据相似度较小。
聚类算法可以分为原型聚类（k均值算法（K-means）、学习向量量化、（Learning Vector Quantization -LVQ）、高斯混合聚类（Mixture-of-Gaussian），密度聚类（DBSCAN），层次聚类（AGNES）等。
2. kmeans原理详解
K-means是一种常见的聚类算法，也叫k均值或k平均。通过迭代的方式，每次迭代都将数据集中的各个点划分到距离它最近的簇内，这里的距离即数据点到簇中心的距离。
kmean步骤：
- 随机初始化k个簇中心坐标
- 计算数据集内所有点到k个簇中心的距离，并将数据点划分近最近的簇
- 更新簇中心坐标为当前簇内节点的坐标平均值
- 重复2、3步骤直到簇中心坐标不再改变（收敛了）
3. 优缺点及改进算法
优点：效率高、适用于大规模数据集
| 缺点 | 改进 | 描述 |
|---|---|---|
| k值的确定 | ISODATA | 当属于某个簇的样本数过少时把这个簇去除， 当属于某个簇的样本数过多、分散程度较大时把这个簇分为两个子簇 |
| 对奇异点敏感 | k-median | 中位数代替平均值作为簇中心 |
| 只能找到球状群 | GMM | 以高斯分布考虑簇内数据点的分布 |
| 分群结果不稳定 | K-means++ | 初始的聚类中心之间的相互距离要尽可能的远 |
4. k值的选取
K-means算法要求事先知道数据集能分为几群，主要有两种方法定义k。
-
手肘法：通过绘制k和损失函数的关系图，选拐点处的k值。
-
经验选取人工据经验先定几个k，多次随机初始化中心选经验上最适合的。
通常都是以经验选取，因为实际操作中拐点不明显，且手肘法效率不高。
5. K-means算法中初始点的选择对最终结果的影响
K-means选择的初始点不同获得的最终分类结果也可能不同，随机选择的中心会导致K-means陷入局部最优解。
6. 为什么在计算K-means之前要将数据点在各维度上归一化
因为数据点各维度的量级不同。
举个例子，最近正好做完基于RFM模型的会员分群，每个会员分别有R（最近一次购买距今的时长）、F（来店消费的频率）和M（购买金额）。如果这是一家奢侈品商店，你会发现M的量级（可能几万元）远大于F（可能平均10次以下），如果不归一化就算K-means，相当于F这个特征完全无效。如果我希望能把常客与其他顾客区别开来，不归一化就做不到。
7. K-means不适用哪些数据
- 数据特征极强相关的数据集，因为会很难收敛（损失函数是非凸函数），一般要用kernal K-means，将数据点映射到更高维度再分群。
- 数据集可分出来的簇密度不一，或有很多离群值（outliers），这时候考虑使用密度聚类。
8. K-means 中常用的距离度量
K-means中比较常用的距离度量是欧几里得距离和余弦相似度。
9. K-means是否会一直陷入选择质心的循环停不下来（为什么迭代次数后会收敛）？
从K-means的第三步我们可以看出，每回迭代都会用簇内点的平均值 去更新簇中心，所以最终簇内的平方误差和（SSE, sum of squared error）一定最小。 平方误差和的公式如下：
L ( X ) = ∑ i = 1 k ∑ j ∈ C i ( x i j − x i ˉ ) 2 L(X) = \sum_{i=1}^{k}{\sum_{j\in C_i}{(x_{ij}-\bar{x_i})^2}} L(X)=i=1∑kj∈Ci∑(xij−xiˉ)2
10. 聚类和分类区别
- 产生的结果相同（将数据进行分类）
- 聚类事先没有给出标签（无监督学习）
11. 如何对K-means聚类效果进行评估
回到聚类的定义，我们希望得到簇内数据相似度尽可能地大，而簇间相似度尽可能地小。常见的评估方式：
| 名称 | 公式 | 含义 | 如何比较 |
|---|---|---|---|
| sum of squares within clusters(SSW) | ∑ i = 1 K ∥ x i − c l i ∥ 2 \sum_{i=1}^{K}{ \parallel x_i-c_{l_i} \parallel ^2} ∑i=1K∥xi−cli∥2 | 所有簇内差异之和 | 越小越好 |
| sum of squares between clusters(SSB) | ∑ i = 1 K n i ∥ c i − x ˉ ∥ 2 \sum_{i=1}^{K}{n_i \parallel c_i-\bar{x} \parallel ^2} ∑i=1Kni∥ci−xˉ∥2 | 簇心与簇内均值差异的加权和 | 越大越好 |
| Calinski-Harabasz | S S B K − 1 S S W N − K \frac{\frac{SSB}{K-1}}{\frac{SSW}{N-K}} N−KSSWK−1SSB | 簇间距离和簇内距离之比（除数是惩罚项，因为SSW下降地比较快） | 越大越好 |
| Ball&Hall | S S W K \frac{SSW}{K} KSSW | 几乎同SSW | 越小越好 |
| Dunn's index | min i = 1 M min j = i + 1 M d ( c i , c j ) max k = 1 M d i a m ( c k ) \frac{\min_{i=1}^M{\min_{j=i+1}^M{d(c_i, c_j)}}}{\max_{k=1}^M{diam(c_k)}} maxk=1Mdiam(ck)mini=1Mminj=i+1Md(ci,cj) w h e r e d ( c i , c j ) = min x ∈ c i , x ′ ∈ c j ∥ x − x ′ ∥ 2 a n d where d(c_i, c_j)=\min_{x \in c_i, x' \in c_j}{\parallel x-x' \parallel}^2 and whered(ci,cj)=minx∈ci,x′∈cj∥x−x′∥2and d i a m ( c k ) = max x , x ′ ∈ c k ∥ x − x ′ ∥ 2 diam(c_k)=\max_{x, x' \in c_k}{\parallel x-x' \parallel}^2 diam(ck)=maxx,x′∈ck∥x−x′∥2 | 本质上也是簇间距离和簇内距离之比 | 越大越好 |
另一个常见的方法是画图，将不同簇的数据点用不同颜色表示。这么做的好处是最直观，缺点是无法处理高维的数据，它最多能展示三维的数据集。
如果维数不多也可以做一定的降维处理（PCA）后再画图，但会损失一定的信息量。
聚类算法几乎没有统一的评估指标，可能还需要根据聚类目标想评估方式，如对会员作分群以后，我想检查分得的群体之间是否确实有差异，这时候可以用MANOVA计算，当p值小于0.01说明分群合理。
12. K-means中空聚类的处理
如果所有的点在指派步骤都未分配到某个簇，就会得到空簇。如果这种情况发生，则需要某种策略来选择一个替补质心，否则的话，平方误差将会偏大。一种方法是选择一个距离当前任何质心最远的点。这将消除当前对总平方误差影响最大的点。另一种方法是从具有最大SEE的簇中选择一个替补的质心。这将分裂簇并降低聚类的总SEE。如果有多个空簇，则该过程重复多次。另外编程实现时，要注意空簇可能导致的程序bug。
参考资料
- Mann A K, Kaur N. Review paper on clustering techniques[J]. Global Journal of Computer Science and Technology, 2013.
- https://blog.csdn.net/hua111hua/article/details/86556322
- REZAEI M. Clustering validation[J].