我无法完全理解 K-Means++ algorithm .我很感兴趣的是第一个 k
质心是如何被挑选出来的,即初始化,因为其余的就像在原始 K-Means algorithm 中一样。 .
- 使用的概率函数是基于距离还是高斯?
- 同时,最远的点(从其他质心)被选为新的质心。
我会很感激一步一步的解释和例子。 Wikipedia中的那个不够清楚。另外,注释得很好的源代码也会有所帮助。如果您使用 6 个阵列,请告诉我们哪一个用于什么。
最佳答案
有趣的问题。感谢您让我注意到这篇论文 - K-Means++: The Advantages of Careful Seeding
简单来说,聚类中心最初是从一组输入观察向量中随机选择的,如果 x
不在附近,则选择向量 x
的概率很高任何先前选择的中心。
这是一个一维的例子。我们的观察结果是 [0, 1, 2, 3, 4]。令第一个中心c1
为0。下一个聚类中心c2
为x的概率与||c1-x||^成正比2
。所以,P(c2 = 1) = 1a,P(c2 = 2) = 4a,P(c2 = 3) = 9a,P(c2 = 4) = 16a,其中 a = 1/(1+4+9+ 16).
假设 c2=4。然后,P(c3 = 1) = 1a,P(c3 = 2) = 4a,P(c3 = 3) = 1a,其中 a = 1/(1+4+1)。
我已经用 Python 编写了初始化程序;不知道对你有没有帮助。
def initialize(X, K):
C = [X[0]]
for k in range(1, K):
D2 = scipy.array([min([scipy.inner(c-x,c-x) for c in C]) for x in X])
probs = D2/D2.sum()
cumprobs = probs.cumsum()
r = scipy.rand()
for j,p in enumerate(cumprobs):
if r < p:
i = j
break
C.append(X[i])
return C
编辑并澄清:cumsum
的输出为我们提供了划分区间 [0,1] 的边界。这些分区的长度等于相应点被选为中心的概率。那么,由于 r
是在 [0,1] 之间统一选择的,它将正好落入这些区间之一(因为 break
)。 for
循环检查 r
位于哪个分区。
示例:
probs = [0.1, 0.2, 0.3, 0.4]
cumprobs = [0.1, 0.3, 0.6, 1.0]
if r < cumprobs[0]:
# this event has probability 0.1
i = 0
elif r < cumprobs[1]:
# this event has probability 0.2
i = 1
elif r < cumprobs[2]:
# this event has probability 0.3
i = 2
elif r < cumprobs[3]:
# this event has probability 0.4
i = 3
关于algorithm - 如何实现 K-Means++ 算法?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/5466323/