聚类

到目前为止，我们学习的都是监督学习算法——我们有标记的数据，知道每个样本应该对应什么输出。但现实世界中，很多数据是没有标签的。假设你有一百万用户的行为数据，你想理解他们有哪些不同的群体；或者你有大量的新闻文章，想自动分组成不同的主题。这些都是无监督学习的应用场景。

聚类（Clustering）是无监督学习中最重要的技术之一。它的目标是将相似的数据点归为一组，使得同一组内的点尽可能相似，不同组之间的点尽可能不同。聚类算法不需要标签，完全基于数据本身的特征来发现结构。

这节课我们将学习K-Means算法——最流行、最简单也最实用的聚类算法。我们会理解它的工作原理，学习如何优化它，以及如何在实际问题中应用它。

无监督学习的特点

无监督学习与监督学习有本质的不同：

• 监督学习：给定 $(x^{(1)}, y^{(1)}), (x^{(2)}, y^{(2)}), ..., (x^{(m)}, y^{(m)})$，学习 $x \to y$ 的映射。
• 无监督学习：只给定 $x^{(1)}, x^{(2)}, ..., x^{(m)}$，发现数据的内在结构。

没有“正确答案”让我们参考，算法需要自己找出数据的组织方式。这既是挑战，也是机会——我们可能发现我们事先不知道的模式和结构。

聚类的应用：

• 市场细分：根据用户的购买行为、浏览历史等，将用户分成不同群体，针对性地营销。
• 社交网络分析：识别社交网络中的社区和群组。
• 图像压缩：将相似的像素颜色归为一组，用每组的代表色替代，减少需要存储的颜色数量。
• 天文学：将星系根据特征聚类，发现不同类型的星系。
• 基因学：根据基因表达数据聚类，发现功能相似的基因组。

K-Means算法

K-Means是最著名的聚类算法，思想简单直观，实现容易，在很多问题上效果很好。

假设我们要将数据分成K个簇（cluster）。K-Means通过迭代的方式：

1. 随机初始化K个聚类中心（centroids）
2. 将每个数据点分配给最近的聚类中心
3. 重新计算每个簇的中心（该簇所有点的平均值）
4. 重复步骤2-3直到收敛（聚类中心不再变化或变化很小）

import numpy as np
import matplotlib.pyplot as plt
 
def kmeans(X, K, max_iters=100):
    """
    K-Means聚类算法
    X: 数据矩阵 (m x n)
    K: 聚类数量
    max_iters: 最大迭代次数
    """
    m, n = X.shape
    
    # 随机初始化聚类中心
    random_indices = np.random.choice(m, K, replace=False)
    centroids = X[random_indices]
    

K-Means的优化目标

K-Means虽然是一个启发式算法，但它实际上在优化一个明确的目标函数。

失真函数（Distortion Function），也叫代价函数：

$J(c^{(1)}, ..., c^{(m)}, \mu_1, ..., \mu_K) = \frac{1}{m} \sum_{i=1}^{m} ||x^{(i)} - \mu_{c^{(i)}}||^2$

这个函数衡量的是所有点到其所属聚类中心的距离平方和的平均值。

K-Means的两个步骤分别优化这个目标：

• 分配步骤：固定 $\mu_k$，优化 $c^{(i)}$（让每个点选择最近的中心）
• 移动中心步骤：固定 $c^{(i)}$，优化 $$（让每个中心移到其簇的均值）

每次迭代都会使 $J$ 减小（或保持不变），所以算法一定会收敛。但注意：K-Means可能收敛到局部最优，不保证找到全局最优。

监控代价函数可以帮助我们：

• 检查算法是否正常工作（代价应该单调递减）
• 比较不同初始化的结果
• 决定何时停止迭代

def computeDistortion(X, centroids, assignments):
    """计算失真函数"""
    m = X.shape[0]
    distortion = 0
    for i in range(m):
        distortion += np.sum((X[i] - centroids[assignments[i]])**2)
    return distortion / m
 
# 画出代价函数随迭代的变化
distortions = []
for centroids in centroid_history:
    # 重新分配（需要用当时的中心）

随机初始化

K-Means对初始聚类中心的选择很敏感。不好的初始化可能导致：

• 收敛到不好的局部最优
• 某些簇为空
• 需要更多迭代才能收敛

推荐的初始化方法：

随机选择K个训练样本作为初始中心。这是最简单也最常用的方法。

def initCentroids(X, K):
    """随机初始化聚类中心"""
    m = X.shape[0]
    random_indices = np.random.permutation(m)[:K]
    return X[random_indices]

处理局部最优：多次运行

为了避免陷入不好的局部最优，可以：

1. 多次运行K-Means（比如50-1000次），每次随机初始化
2. 选择失真函数最小的那次结果

def kmeansMultipleRuns(X, K, num_runs=50):
    """
    运行K-Means多次，选择最好的结果
    """
    best_centroids = None
    best_assignments = None
    best_distortion = float('inf')
    
    for run in range(num_runs):
        centroids, assignments, _ = kmeans(X, K)
        distortion = computeDistortion(X, centroids, assignments)
        
        if distortion 

K-Means++初始化

这是一个更智能的初始化方法，能够让初始中心分散开：

1. 随机选择第一个中心
2. 对于每个后续中心，选择距离已有中心最远的点作为新中心
3. 重复直到选出K个中心

K-Means++通常能更快收敛到更好的解。大多数库（如scikit-learn）默认使用K-Means++。

选择聚类数量K

K是K-Means的超参数，需要事先指定。如何选择合适的K？

肘部法则（Elbow Method）

画出失真函数J随K变化的曲线。随着K增大，J会递减（更多的簇意味着点离中心更近）。寻找曲线的"肘部"——J下降速度明显变慢的那个点。

distortions = []
K_range = range(1, 11)
 
for K in K_range:
    centroids, assignments, _ = kmeans(X, K)
    distortions.append(computeDistortion(X, centroids, assignments))
 
plt.plot(K_range, distortions, 'o-')
plt.xlabel('聚类数量 K')
plt.ylabel('失真函数 J')
plt.title('肘部法则')
plt.show()

肘部法则的问题是：不是所有数据都有明显的肘部。曲线可能平滑递减，没有明显的拐点。

轮廓系数（Silhouette Coefficient）

对于每个样本，计算：

• $a$：到同簇其他点的平均距离
• $b$：到最近的其他簇的所有点的平均距离

轮廓系数：$s = \frac{b - a}{\max(a, b)}$

$s$ 接近1表示聚类良好，接近-1表示聚类不当。计算所有样本的平均轮廓系数，选择使其最大的K。

基于应用目标选择

很多时候，K的选择应该基于下游任务的需求，而不是纯粹的统计指标。比如：

• 市场细分：你的营销团队能处理几个不同的用户群体？
• 图像压缩：你想用多少种颜色？
• 推荐系统：你想把用户分成几类来个性化推荐？

这些实际考虑往往比统计指标更重要。

K-Means的应用案例

案例1：图像压缩

彩色图像中每个像素有RGB三个值（24位，可以表示约1600万种颜色）。但很多图像实际只用了少数几种颜色。K-Means可以找出K种代表色，用这K种颜色替代原始颜色，大大减少存储空间。

from sklearn.cluster import KMeans
from PIL import Image
 
# 读取图像
img = Image.open('photo.jpg')
img_array = np.array(img)
 
# 重塑为(像素数, 3)的矩阵
h, w, c = img_array.shape
pixels = img_array.reshape(-1, 3)
 
# K-Means聚类
K = 16  # 使用16种颜色
kmeans = KMeans(n_clusters

案例2：用户分群

电商平台想根据用户行为进行市场细分。特征包括：购买频率、平均订单金额、浏览时长、喜欢的品类等。

# 用户特征矩阵
# 每行一个用户，列是特征
user_features = np.array([
    # [购买频率, 平均金额, 浏览时长, ...]
    [2, 150, 30, ...],
    [10, 80, 120, ...],
    ...
])
 
# 特征缩放（重要！）
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
user_features_scaled = scaler.fit_transform(user_features)

K-Means的局限性：

1. 需要指定K：不能自动确定簇的数量
2. 对初始化敏感：可能陷入局部最优
3. 假设球形簇：对非球形、不同大小或密度的簇效果不好
4. 对异常值敏感：使用均值计算中心，容易受极端值影响
5. 只能处理数值特征：不能直接处理分类特征

对于这些局限性，有其他聚类算法可以选择：

• 层次聚类：不需要指定K，能发现层次结构
• DBSCAN：能发现任意形状的簇，对异常值稳健
• 高斯混合模型：允许簇有不同的形状和大小

但K-Means因其简单、快速、易于实现，仍然是最常用的聚类算法。

在下节课中，我们将学习降维技术，特别是主成分分析（PCA）。降维也是无监督学习的重要应用，它能帮助我们压缩数据、可视化高维数据、提取主要特征。降维常常与聚类结合使用——先降维再聚类，或者用降维后的数据可视化聚类结果。

小练习

1. 问题诊断和解决方案：根据以下情况，诊断问题并提出解决方案。

   你训练了一个模型，得到：

   • 训练误差：5%
   • 验证误差：25%

   这是什么问题？应该如何解决？

def diagnose_model(train_error, val_error):
    gap = val_error - train_error
    
    if train_error > 0.15:  # 高偏差
        if gap < 0.05:
            return "欠拟合（高偏差）"
        else:

2. 学习曲线分析：分析以下学习曲线，判断问题类型。

   随着训练样本数量增加：

   • 训练误差：从10%缓慢上升到18%
   • 验证误差：从60%缓慢下降到20%
   • 两条曲线在20%附近趋于平缓，但仍有差距

   这是什么问题？解决方案是什么？

高方差（过拟合）：
  训练误差：很低且平
  验证误差：高且有大gap
  解决：更多数据有帮助
  
高偏差（欠拟合）：
  训练误差：高且平
  验证误差：高且gap小
  解决：更多数据帮助不大，需要更复杂模型
  
理想状态：
  两条曲线都低且接近
  差距很小