本系列意在长期连载分享，内容上可能也会有所删改；
因此如果转载，请务必保留源地址，非常感谢！
博客园：http://www.cnblogs.com/data-miner/（暂时公式显示有问题）
其他：建设中…
当我们在谈论kmeans：论文概述（2）
算法历程
2001年
在Estlick, Mike, et al. "Algorithmic transformations in the implementation of K- means clustering on reconfigurable hardware." 2001中，作者将K-means算法用在FPGA板子中。在传统K-means中，用到了浮点数运算与乘法运算，而这两种运算在FPGA中非常耗时。为了能在FPGA中高效使用K-means算法，作者提出了修改的K-means算法。
- 先介绍一下明氏距离（Minkowski Distance），其定义如下
- 如果令p=2，即得到常见的欧氏距离（Euclidean Distance）；从概率的角度看，欧氏距离即认为数据服从标准多维正态分布，其概率密度函数中，欧氏距离描述的就是空间中的点偏离中心的概率，相同的欧氏距离即对应着概率密度函数的等高线
- 如果令p=0，即得到曼哈顿距离（Manhattan Distance），即每个维度的绝对值的和；当计算像素欧氏距离复杂度较高，有时候可以使用曼哈顿距离作为替代
- 令p→∞，即切比雪夫距离（Chebyshev Distance），即取不同纬度间的最大值；不过我也不知道什么时候会用上它
- 在此我们可以再总结一些常见的距离度量，如马氏距离(MahalanobisDistance)；从概率角度看，其作用就是用多维正态分布拟合数据，描述的同样是空间中的点偏离中心的概率，相同的马氏距离即对应着概率密度函数的等高线
- 余弦相似度（Cosine Similarity），描述的是两个向量的夹角大小
- Jaccard相似系数（Jaccard Coefficient），描述的是两个集合的相似性
- 如果令p=2，即得到常见的欧氏距离（Euclidean Distance）；从概率的角度看，欧氏距离即认为数据服从标准多维正态分布，其概率密度函数中，欧氏距离描述的就是空间中的点偏离中心的概率，相同的欧氏距离即对应着概率密度函数的等高线
- 作者表示在FPGA中，欧氏距离的计算量太大，他希望用“曼哈顿距离”和“切比雪夫距离”替代。下图表示，空间中两个聚类中心，使用不同距离的分界面
- 单独使用“曼哈顿距离”和“切比雪夫距离”都无法很好地替代“欧氏距离”，于是作者将两者融合，并说明效果的下降在允许范围内，而计算量大大降低。（想法很有趣）
2002年
在Kanungo, Tapas, et al. "An Efficient k-Means Clustering Algorithm: Analysis and Implementation." 2002中，面对K-means运算量较大的问题，作者提出了“KD树”加速K-means算法的方法。
但是，其方法基本跟Pelleg, et al. "Accelerating exact k -means algorithms with geometric reasoning." 1999.没什么区别。此处不再赘述。
2004年
在Lee, Sangkeun, and M. H. Hayes. "Properties of the singular value decomposition for efficient data clustering." 2004中，作者对SVD的性质进行了讨论，并表示这些性能能加快K-means的过程。
- 作者首先给出了对数据集A进行SVD的解释
- 然后给出了本文最主要的公式，即A中每两个向量的欧氏距离，可以用对应的“右奇异向量”的加权和表示。（注：这里我们进一步分析，由于A是一个m?n的矩阵，V是一个n?n的矩阵，若要SVD分解后能加速K-means，至少要求m>n，即样本维数大于样本数量，然而这种情况比较少见。同时，SVD分解本身也是个非常耗时的操作。因此此方法更多的是提供一种思考方式。）
- 本文还给出了一种设置聚类中心数量K的方法。本质跟PCA类似，就是计算数据集A的主要能量聚集在多少维度上。区别是PCA需要的是这几个维度对应的向量，而这里只需要维度的数量。
- 文中还有更多利用SVD加速K-means聚类的细节，不再赘述
2005年
在Huang, Joshua Zhexue, et al. "Automated Variable Weighting in k-Means Type Clustering." 2005中，作者针对K-means算法中，每一维特征在聚类结果中权重相同的情况，提出了修改的K-mwans。
- 作者首先提出，在数据挖掘过程中，往往数据的维数都是成百上千，而其中对分析有意义的维数只是部分。以往根据经验给每一维数据赋权重，作者提出一种算法来自动求出权重。
- 先给出原始K-means的损失函数，即最小均方误差
- 然后作者给出修改的K-means的损失函数。本质就是在损失函数里增加了权重，然后继续通过EM算法求解。在最小均方误差的约束下，类内距离小的那一维特征会被赋予较大的权重，类内距离较大的则会被赋予较小的权重。即作者所说的，自动求解权重
- 关于详细的求解步骤，与收敛性的证明，可以参考原论文
2006年
在Kuncheva, L. I., and D. P. Vetrov. "Evaluation of Stability of k-Means Cluster Ensembles with Respect to Random Initialization." 2006中，作者研究了通过Ensembling来提升K-means等算法的稳定性
- 作者先明确了研究的问题，即
- Ensembling是否能提升聚类的稳定性？
- 是否聚类的稳定性能与准确性正相关？
- 是否能利用聚类稳定性指标来描述聚类的有效性？
- 作者给出了Ensembling的方法，即把数据分成L组，再分别对L组的数据进行聚类，并将结果融合
- 对于上述问题，作者都没有给出理论证明，都是实验上的说明：
- Ensembling是否能提升聚类的稳定性？
大部分情况下，Ensembling能提升聚类的稳定性。同时需要说明的是，Ensembling更稳定的情况基本发生在聚类中心较大的时候，即Ensembling会倾向于选择更多的聚类中心
- 是否聚类的稳定性能与准确性正相关？
跟设想的结果差不多，聚类的稳定性跟准确性并没有明确的正相关。不同的数据集上，有着完全不同的相关性。
- 是否能利用聚类稳定性指标来描述聚类的有效性？
在这部分，作者主要阐述了利用聚类稳定性指标来选择聚类中心数量的想法。即，作者通过给出一个稳定性指标，表示在稳定性较大的时候的聚类中心数量会很接近真实的类别数量。
- Ensembling是否能提升聚类的稳定性？
2007年
在Arthur, David, and S. Vassilvitskii. "k-means++: the advantages of careful seeding." 2015中，作者提出了K-means++算法，也是较为常用的K-means修改算法之一。这个算法主要提出了一种选择初始化聚类中心的方法，并从理论上证明了这个方案会使收敛更快，且效果更好
- 这个初始化聚类中心的方法其实很简单：即以概率的形式逐个选择聚类中心，并在选择聚类中心时，给距离较远的点更高的权重，即更容易被选择为聚类中心
- 这个想法其实并不是非常新奇，这种逐个选择聚类中心的思想，在1997年就有作者提出过（参考“当我们在谈论kmeans：论文概述（1），1997”）。但是作者在这个初始化聚类中心方法的基础上，接下来又证明了通过这种方法，平均均方误差大大降低，且收敛速度更快。证明过程好复杂，大家可以自己去研读。
2010年
在Chiang, Ming Tso, and B. Mirkin. "Intelligent Choice of the Number of Clusters in K-Means Clustering: An Experimental Study with Different Cluster Spreads." 2010中，针对K-means算法中聚类中心数量难以确定的问题，作者通过实验的方式，比较了多种估计K-means聚类中心数量的方法。并通过实验对比了这些方法在估计类别数量、中心、标记时的准确度。
- 作者首先介绍了Mirkin提出的Intelligent K-means算法，本质是通过异常检测的思想，一步步确定每个类别。具体描述如下
- 为了选择对照算法，作者总结了其他估计聚类数量K的算法。针对不同类型的方法，作者也给出了例子。有兴趣的同学可以参考原文。
- 基于变化的算法：即定义一个函数，认为在正确的K时会产生极值。
- 基于结构的算法：即比较类内距离、类间距离以确定K。
- 基于一致性矩阵的算法：即认为在正确的K时，不同聚类的结果会更加相似，以此确定K。
- 基于层次聚类：即基于合并或分裂的思想，在一定情况下停止获得K。
- 基于采样的算法：即对样本采样，分别做聚类；根据这些结果的相似性确定K。
- 最后通过对比实验，作者给出结论认为Intelligent K-means能较为有效的估计真实聚类中心、以及样本所属类别。同时，Intelligent K-means对类别数量的估计普遍较大。不过由于实验是在高斯分布的仿真实验下进行的，结论并非我所关注，不再赘述。