區(qū)分兩個概念：

hard clustering：一個文檔要么屬于類w，要么不屬于類w，即文檔對確定的類w是二值的1或0。

soft clustering：一個文檔可以屬于類w1，同時也可以屬于w2，而且文檔屬于一個類的值不是0或1，可以是0.3這樣的小數(shù)。

K-Means就是一種hard clustering，所謂K-means里的K就是我們要事先指定分類的個數(shù)，即K個。

k-means算法的流程如下：

1）從N個文檔隨機選取K個文檔作為初始質心

2）對剩余的每個文檔測量其到每個質心的距離，并把它歸到最近的質心的類

3）重新計算已經得到的各個類的質心

4）迭代2～3步直至滿足既定的條件，算法結束

在K－means算法里所有的文檔都必須向量化，n個文檔的質心可以認為是這n個向量的中心，計算方法如下：

這里加入一個方差RSS的概念：

RSSk的值是類k中每個文檔到質心的距離，RSS是所有k個類的RSS值的和。

算法結束條件：

1）給定一個迭代次數(shù)，達到這個次數(shù)就停止，這好像不是一個好建議。

2）k個質心應該達到收斂，即第n次計算出的n個質心在第n＋1次迭代時候位置不變。

3）n個文檔達到收斂，即第n次計算出的n個文檔分類和在第n＋1次迭代時候文檔分類結果相同。

4）RSS值小于一個閥值，實際中往往把這個條件結合條件1使用

回過頭用RSS討論質心的計算方法是否合理

為了取得RSS的極小值，RSS對質心求偏導數(shù)應該為0，所以得到質心

可見，這個質心的選擇是合乎數(shù)學原理的。

K-means方法的缺點是聚類結果依賴于初始選擇的幾個質點位置，看下面這個例子：

如果使用2－means方法，初始選擇d2和d5那么得到的聚類結果就是｛d1，d2，d3｝｛d4，d5，d6｝，這不是一個合理的聚類結果

解決這種初始種子問題的方案：

1）去處一些游離在外層的文檔后再選擇

2）多選一些種子，取結果好的（RSS?。┑腒個類繼續(xù)算法

3）用層次聚類的方法選擇種子。我認為這不是一個合適的方法，因為對初始N個文檔進行層次聚類代價非常高。

以上的討論都是基于K是已知的，但是我們怎么能從隨機的文檔集合中選擇這個k值呢？

我們可以對k去1～N分別執(zhí)行k-means，得到RSS關于K的函數(shù)下圖：

當RSS由顯著下降到不是那么顯著下降的K值就可以作為最終的K，如圖可以選擇4或9。

四、算法及示例

k 均值算法的計算過程非常直觀：
1、從D 中隨機取k 個元素，作為k 個簇的各自的中心。
2、分別計算剩下的元素到k 個簇中心的相異度，將這些元素分別劃歸到相異度最低的簇。
3、根據(jù)聚類結果，重新計算k 個簇各自的中心，計算方法是取簇中所有元素各自維度的算術平均數(shù)。

4、將D 中全部元素按照新的中心重新聚類。

5、重復第4 步，直到聚類結果不再變化。

6、將結果輸出。

由于算法比較直觀，沒有什么可以過多講解的。下面，我們來看看k-means 算法一個有趣的應用示例：中國男足近幾年到底在亞洲處于幾流水平？

今年中國男足可算是杯具到家了，幾乎到了過街老鼠人人喊打的地步。對于目前中國男足在亞洲的地位，各方也是各執(zhí)一詞，有人說中國男足亞洲二流，有人說三流，還有人說根本不入流，更有人說其實不比日韓差多少，是亞洲一流。既然爭論不能解決問題，我們就讓數(shù)據(jù)告訴我們結果吧。

下圖是采集的亞洲15 只球隊在2005 年-2010 年間大型杯賽的戰(zhàn)績（由于澳大利亞是后來加入亞足聯(lián)的，所以這里沒有收錄）。

其中包括兩次世界杯和一次亞洲杯。我提前對數(shù)據(jù)做了如下預處理：對于世界杯，進入決賽圈則取其最終排名，沒有進入決賽圈的，打入預選賽十強賽賦予40，預選賽小組未出線的賦予50。對于亞洲杯，前四名取其排名，八強賦予5，十六強賦予9，預選賽沒出現(xiàn)的賦予17。這樣做是為了使得所有數(shù)據(jù)變?yōu)闃肆?，便于后續(xù)聚類。

下面先對數(shù)據(jù)進行[0,1]規(guī)格化，下面是規(guī)格化后的數(shù)據(jù)：

其中包括兩次世界杯和一次亞洲杯。我提前對數(shù)據(jù)做了如下預處理：對于世界杯，進入決賽圈則取其最終排名，沒有進入決賽圈的，打入預選賽十強賽賦予40，預選賽小組未出線的賦予50。對于亞洲杯，前四名取其排名，八強賦予5，十六強賦予9，預選賽沒出現(xiàn)的賦予17。這樣做是為了使得所有數(shù)據(jù)變?yōu)闃肆?，便于后續(xù)聚類。

下面先對數(shù)據(jù)進行[0,1]規(guī)格化，下面是規(guī)格化后的數(shù)據(jù)：

從做到右依次表示各支球隊到當前中心點的歐氏距離，將每支球隊分到最近的簇，可對各支球隊做如下聚類：

中國C，日本A，韓國A，伊朗A，沙特A，伊拉克C，卡塔爾C，阿聯(lián)酋C，烏茲別克斯坦B，泰國C，越南C，阿曼C，巴林B，朝鮮B，印尼C。

第一次聚類結果：

A：日本，韓國，伊朗，沙特；

B：烏茲別克斯坦，巴林，朝鮮；

C：中國，伊拉克，卡塔爾，阿聯(lián)酋，泰國，越南，阿曼，印尼。

下面根據(jù)第一次聚類結果，調整各個簇的中心點。

A 簇的新中心點為： {(0.3+0+0.24+0.3)/4=0.21，(0+0.15+0.76+0.76)/4=0.4175,(0.19+0.13+0.25+0.06)/4=0.1575} = {0.21, 0.4175, 0.1575}

用同樣的方法計算得到B 和C 簇的新中心點分別為{0.7, 0.7333, 0.4167}，{1, 0.94,0.40625}。

用調整后的中心點再次進行聚類，得到：

第二次迭代后的結果為：

中國C，日本A，韓國A，伊朗A，沙特A，伊拉克C，卡塔爾C，阿聯(lián)酋C，烏茲別克斯坦B，泰國C，越南C，阿曼C，巴林B，朝鮮B，印尼C。

結果無變化，說明結果已收斂，于是給出最終聚類結果：

亞洲一流：日本，韓國，伊朗，沙特

亞洲二流：烏茲別克斯坦，巴林，朝鮮

亞洲三流：中國，伊拉克，卡塔爾，阿聯(lián)酋，泰國，越南，阿曼，印尼

看來數(shù)據(jù)告訴我們，說國足近幾年處在亞洲三流水平真的是沒有冤枉他們，至少從國際杯賽戰(zhàn)績是這樣的。

其實上面的分析數(shù)據(jù)不僅告訴了我們聚類信息，還提供了一些其它有趣的信息，例如從中可以定量分析出各個球隊之間的差距，例如，在亞洲一流隊伍中，日本與沙特水平最接近，而伊朗則相距他們較遠，這也和近幾年伊朗沒落的實際相符。另外，烏茲別克斯坦和巴林雖然沒有打進近兩屆世界杯，不過憑借預算賽和亞洲杯上的出色表現(xiàn)占據(jù)B 組一席之地，而朝鮮由于打入了2010 世界杯決賽圈而有幸進入B 組，可是同樣奇跡般奪得2007年亞洲杯的伊拉克卻被分在三流，看來亞洲杯冠軍的分量還不如打進世界杯決賽圈重啊。其它有趣的信息，有興趣的朋友可以進一步挖掘。