【ShuQiHere】 K-means 聚类算法详解：公式、代码与实战

🧠 【ShuQiHere】 🎓

目录 📜

[K-means 简介](#K-means 简介)
[K-means 工作原理](#K-means 工作原理)
理论基础
- 3.1 目标函数
- 3.2 距离度量
[K-means 算法步骤](#K-means 算法步骤)
- 4.1 具体代码实现
[K-means 的优缺点](#K-means 的优缺点)
[如何选择正确的 K 值](#如何选择正确的 K 值)
[K-means 的改进与变体](#K-means 的改进与变体)
[案例分析：如何使用 K-means 聚类？](#案例分析：如何使用 K-means 聚类？)
总结

1. K-means 简介 🔍

K-means 是一种常见的无监督学习算法 （Unsupervised Learning Algorithm ），用于解决聚类（Clustering ）问题。该算法的目标是将数据集中的 (n) 个数据点分成 (K) 个簇（Clusters），使得同一簇内的数据点之间尽可能相似，而不同簇的数据点尽可能不同。🧑‍🏫

K-means 在市场细分、图像压缩、模式识别等领域得到了广泛应用。其因简单高效而受欢迎，但要充分利用它，理解其工作原理至关重要。

2. K-means 工作原理 🛠️

K-means 通过迭代优化 的方式将数据划分为 (K) 个簇。每个数据点分配到距离最近的簇中心 （Centroid），并不断更新簇中心的位置，直到结果收敛。

📝 核心概念：

簇中心 （Centroid）：簇的中心，通常是簇内所有数据点的平均值。
簇（Cluster）：由相似数据点构成的组。

3. 理论基础 📊

3.1 目标函数 🎯

K-means 的目标是最小化簇内平方误差和 （Sum of Squared Errors, SSE），即所有数据点到其对应簇中心的距离平方和。目标函数公式为：

J = ∑ k = 1 K ∑ x i ∈ C k ∣ ∣ x i − μ k ∣ ∣ 2 J = \sum_{k=1}^{K} \sum_{x_i \in C_k} ||x_i - \mu_k||^2 J=k=1∑Kxi∈Ck∑∣∣xi−μk∣∣2

其中：

(x_i) 表示每个数据点；
(\mu_k) 表示第 (k) 个簇的簇中心；
(C_k) 表示第 (k) 个簇中的所有数据点。

该函数的目的是使每个簇内部的数据点尽可能接近其簇中心，从而减少簇内的"离散度"。

3.2 距离度量 🏃‍♂️

K-means 通常使用欧几里得距离 （Euclidean Distance）来计算数据点到簇中心的距离：

d ( x i , μ k ) = ∑ j = 1 n ( x i j − μ k j ) 2 d(x_i, \mu_k) = \sqrt{\sum_{j=1}^{n}(x_{ij} - \mu_{kj})^2} d(xi,μk)=j=1∑n(xij−μkj)2

其中：

(x_{ij}) 和 (\mu_{kj}) 分别是数据点 (x_i) 和簇中心 (\mu_k) 的第 (j) 个特征；
(n) 是数据的维度。

欧几里得距离是最常用的距离度量方法，它通过计算两个点在多维空间中的直线距离来度量相似性。

4. K-means 算法步骤 📝

下面是 K-means 聚类的详细步骤：

初始化 🌱：随机从数据集中选择 (K) 个点作为初始簇中心。这些点将作为初始簇的中心点。
分配簇 📌：对每个数据点，计算其到每个簇中心的距离，并将其分配到最近的簇。
更新簇中心 🔄：对于每个簇，重新计算簇内所有数据点的均值作为新的簇中心：

μ k = 1 ∣ C k ∣ ∑ x i ∈ C k x i \mu_k = \frac{1}{|C_k|}\sum_{x_i \in C_k} x_i μk=∣Ck∣1xi∈Ck∑xi

重复迭代 🔁：重复步骤 2 和 3，直到簇中心不再发生变化或达到预设的迭代次数。

4.1 具体代码实现 💻

python 复制代码

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans

# 生成测试数据
X, y = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)

# 可视化数据
plt.scatter(X[:, 0], X[:, 1])
plt.show()

# 使用 K-means 聚类
kmeans = KMeans(n_clusters=4)
kmeans.fit(X)
y_kmeans = kmeans.predict(X)

# 绘制聚类结果
plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis')

centers = kmeans.cluster_centers_
plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.75)
plt.show()

📊 代码解释：

make_blobs() 函数生成具有多个中心的测试数据；
使用 KMeans() 函数对数据进行 K-means 聚类；
通过 fit() 方法训练模型，predict() 方法预测簇；
最后可视化数据及其簇中心。

5. K-means 的优缺点 ⚖️

优点 🌟：

简单高效：K-means 易于实现，并且在大数据集上效率较高。
扩展性好：算法对大规模数据集的处理表现优越，时间复杂度为 (O(n \cdot K \cdot I \cdot d))，其中 (I) 是迭代次数，(d) 是特征数。

缺点 ⚠️：

对初始值敏感 ：簇中心的随机选择可能导致局部最优解。💡 推荐使用 K-means++ 进行初始化。
需预设 K 值：需要事先指定簇的数量，这在实际应用中可能较难确定。
对异常值敏感：异常值可能极大影响簇中心，导致聚类结果偏差。
假设簇为凸形：K-means 假设簇是球形的，无法处理复杂形状的簇。

6. 如何选择正确的 K 值 🧠

选择合适的 (K) 值是 K-means 聚类的一个关键问题。以下是几种常用的方法：

肘部法 💪：绘制不同 (K) 值对应的 SSE 曲线，寻找"肘部"位置，该点通常是一个较好的 (K) 值。
轮廓系数 👤：用于评估聚类效果，取值范围为 ([-1, 1])，值越大表示聚类效果越好。
Gap Statistic 📈：通过比较聚类的 SSE 与随机数据集的 SSE，选择能最大化差距的 (K) 值。

7. K-means 的改进与变体 🚀

为了解决 K-means 的一些局限性，出现了若干改进方法：

K-means++ 🎯：改进了初始簇中心的选择，能显著减少局部最优解的可能性，收敛速度更快。
Mini-batch K-means ⚡：在每次迭代中只使用数据的一个子集，极大提升了处理大规模数据时的速度。
模糊 C 均值 🤹‍♂️：允许每个数据点属于多个簇，并为每个簇分配一个

隶属度，从而解决了硬分配的局限性。

8. 案例分析：如何使用 K-means 聚类？ 🔍

📝 问题描述：

假设我们有一组客户购买数据，想通过 K-means 聚类识别不同的客户群体，进而制定更精准的营销策略。

🔧 步骤：

数据准备：首先收集客户的购买金额和购买频率数据。
预处理：对数据进行标准化处理，以确保不同量纲的特征对聚类结果的影响是均衡的。
K-means 聚类 ：使用 KMeans() 函数对数据进行聚类，选择 (K=4)。
结果分析：通过聚类结果，可以识别出低频低消费、高频高消费等不同的客户群体，并针对性地制定促销策略。

📊 代码实现：

python 复制代码

from sklearn.preprocessing import StandardScaler

# 标准化数据
scaler = StandardScaler()
data_scaled = scaler.fit_transform(customer_data)

# 聚类分析
kmeans = KMeans(n_clusters=4)
kmeans.fit(data_scaled)
labels = kmeans.predict(data_scaled)

# 输出聚类标签
print(labels)

通过这种方式，我们能够快速地将客户群体分为若干簇，并进一步分析每个簇的消费习惯和购买行为。

9. 总结 🏁

K-means 聚类是一种简单但强大的工具，用于将数据集划分为有意义的组别。虽然它有一些局限性，比如对初始点敏感、无法处理复杂形状的簇等，但通过改进方法（如 K-means++）和正确选择 (K) 值，可以大大提高算法的性能。

🚀 最佳实践提示：在应用 K-means 时，建议先对数据进行可视化，采用 K-means++ 初始化策略，并通过肘部法或轮廓系数等方法选择合适的 (K) 值。

进一步阅读 📚

希望这篇博客对你有帮助！如果有任何问题或建议，欢迎在评论区讨论。 🎉