大数据经典算法讲解文稿演示

K值的选择以及坏点的剔除
讨论k值、剔除坏点的意义何在？下面以一个例 子来说明k值的重要性。
为什么会出错？
究竟哪里错 了！！！
上面的例子当中出错的原因 很明显。凭直觉我们很容易 知道不可能有这样的天气— —它的气温是100℃，湿度 是1100%。可见坏点对 kmeans的影响之大。另一 方面，季节有春夏秋冬之分， 而我们强行的把它们分为夏 冬两个类也是不太合理的。 如果分为四个类我们也许可 以“中和”掉坏点的影响。
Min of three due to the EuclidDistance
Kmeans算法详解（3）
步骤三：重新计算中心点
Min of three due to the EuclidDistance
Kmeans算法详解（4）
步骤四：迭代计算中心点
Kmeans算法详解（5）
步骤五：收敛
Kmeans算法流程
带canopy预处理的kmeans算法 的优点
带canopy预处理的kmeans算法 的新挑战
Canopy预处理这么好， 我们以后就用它好了！
我看不见得，它虽然解决 kmeans当中的一些问题， 但其自身也引进了新的问题： t1、t2的选取。
大数据下kmeans算法的并行策 略
单挑OR群殴？！
从前面的讲解可以看到二分 kmeans算法的思想有点类 似于贪心思想。但是我们会 发现贪心的过程中有不确定 的因素比如：二分一个聚类 时选取的两个中间点是随机 的，这会对我们的策略造成 影响。那么如此一来二分 kmeans算法会不会达到全 局最优解呢？答案是：会！ 尽管你可能惊诧于下面的说 法，但全局最小值的定义却 是：可能的最好结果。
我们主要研究的三个方面因素。
初始中心点的划分
讨论初始中心点意义何在？下面的例子一目了然吧？
初始中心点
收敛后
你
懂
的
…
如何衡量Kmeans算法的精确度 ？
在进一步阐述初始中心点选择 之前，我们应该先确定度量 kmeans的算法精确度的方法。 一种度量聚类效果的标准是： SSE(Sum of Square Error， 误差平方和) SSE越小表示数据点越接近于 它们的质心，聚类效果也就越 好。因为对误差取了平方所以 更重视那些远离中心的点。 一种可以肯定降低SSE的方法 是增加簇的个数。但这违背了 聚类的目标。因为聚类是在保 持目标簇不变的情况下提高聚 类的质量。 现在思路明了了我们首先以缩 小SSE为目标改进算法。
什么是Kmeans算法？
Q1：K是什么？A1：k是聚类算法当中类的个数。 Q2：means是什么？A2：means是均值算法。
Summary：Kmeans是用均值算法把数 据分成K个类的算法！
Kmeans算法详解（1）
步骤一：取得k个初始初始中心点
Kmeans算法详解（2）
步骤二：把每个点划分进相应的簇
பைடு நூலகம்VS
大数据下kmeans算法的并行策 略
1.从数据中随机抽取k个点作为初始聚类 的中心，由这个中心代表各个聚类 2.计算数据中所有的点到这k个点的距离， 将点归到离其最近的聚类里 3.调整聚类中心，即将聚类的中心移动到 聚类的几何中心（即平均值）处，也就是 k-means中的mean的含义 4.重复第2步直到聚类的中心不再移动， 此时算法收敛 最后kmeans算法时间、空间复杂度是： 时间复杂度：上限为O(tKmn)，下限为Ω （Kmn）其中，t为迭代次数，K为簇的数 目，m为记录数，n为维数 空间复杂度：O((m+K)n)，其中，K为簇 的数目，m为记录数，n为维数
计算总误差 在给定的簇上面进行K均值聚类(K=2) 计算将该簇一分为二后的总误差 选择使得误差最小的那个簇进行划分操作
二分Kmeans算法的效果
既然是改进算法就要体现改 进算法的优越性。为此控制 变量，在相同的实验环境下， ①取相同的k值取。 ②选取相同的的距离度量标 准（欧氏距离） ③在相同的数据集下进行测 试。
带canopy预处理的kmeans算法
（1）将数据集向量化得到一个list后放 入内存，选择两个距离阈值：T1和T2。 （2）从list中任取一点P，用低计算成 本方法快速计算点P与所有Canopy之 间的距离（如果当前不存在Canopy， 则把点P作为一个Canopy），如果点P 与某个Canopy距离在T1以内，则将点 P加入到这个Canopy； （3）如果点P曾经与某个Canopy的距 离在T2以内，则需要把点P从list中删 除，这一步是认为点P此时与这个 Canopy已经够近了，因此它不可以再 做其它Canopy的中心了； （4）重复步骤2、3，直到list为空结 束
决定性因素
Input & centroids
①数据的采集和抽象 ②初始的中心选择
Selected k
① k值的选定
MaxIterations & Convergence
①最大迭代次数 ②收敛值
factors？
Meassures
①度量距离的手段
主要讨论
初始中 心点
输入的数 据及K值 的选择
距离度 量
大数据经典算法讲解文稿演示
聚类算法简介
1
聚类的目标：将一组向量分成若干组，组内数据是相似的， 而组间数据是有较明显差异。
2 与分类区别：分类与聚类最大的区别在于分类的目标事先已 知，聚类也被称为无监督机器学习
3
聚类手段：传统聚类算法 ①划分法 ②层次方法 ③基于密 度方法 ④基于网络方法 ⑤基于模型方法
改进的算法——二分Kmeans算法
为了克服k均值算法收敛于局部的问题，提出了二分k 均值算法。该算法首先将所有的点作为一个簇，然后 将该簇一分为二。之后选择其中一个簇继续划分，选 择哪个簇进行划分取决于对其划分是否可以最大程度 降低SSE值。 伪代码如下： 将所有的点看成一个簇 当簇数目小于k时 对于每一个簇
一组实验结果
一组不好的初始点产生的 Kmeans算法结果
二分kmeans产生的结果
要强调的是尽管只是这一组实验不得以得出二分kmeans的 优越性，但是经过大量实验得出的结论却是在大多数情况下 二分kmeans确实优于朴素的kmeans算法。
全局最小值
二分kmeans真 的能使SSE达 到全局最小值 吗？