数据挖掘之聚类算法K-Means总结
序
由于项目需要，需要对数据进行处理，故而又要滚回来看看paper,做点小功课，这篇文章只是简单的总结一下基础的Ｋmeans算法思想以及实现；
正文：
1.基础Kmeans算法.
Kmeans算法的属于基础的聚类算法，它的核心思想是： 从初始的数据点集合，不断纳入新的点，然后再从新计算集合的“中心”，再以改点为初始点重新纳入新的点到集合，在计算”中心”，依次往复，直到这些集合不再都不能再纳入新的数据为止.
图解：
假如我们在坐标轴中存在如下Ａ,B,C,D,E一共五个点，然后我们初始化（或者更贴切的说指定）两个特征点（意思就是将五个点分成两个类），采用欧式距离计算距离.
注意的点：
１．中心计算方式不固定，常用的有使用距离（欧式距离，马式距离，曼哈顿距离，明考斯距离）的中点，还有重量的质心，还有属性值的均值等等，虽然计算方式不同，但是整体上Kmeans求解的思路相同.
２．初始化的特征点（选取的Ｋ个特征数据）会对整个收据聚类产生影响.所以为了得到需要的结果，需要预设指定的凸显的特征点，然后再用Kmeans进行聚类.
代码实现：
1package com.data.algorithm;
2 3import java.util.ArrayList;
4import java.util.List;
5 6/** 7 * *********************************************************
8 * <p/>
9 * Author: XiJun.Gong
10 * Date: 2017-01-17 15:57
11 * Version: default 1.0.0
12 * Class description：
13 * <p/>
14 * *********************************************************
15*/ 16publicclass Kmeans {
17privatefinaldouble;
18 19private topk;
20 21public getTopk() {
22return topk;
23 }
24 25publicvoid topk) {
26this topk;
27 }
28 29class KMeanData {
30 31privatefloat//x坐标 32privatefloat//y坐标 33privateint//隶属于哪一个簇 34 35publicint getFlag() {
36return flag;
37 }
38 39publicvoidint flag) {
40this flag;
41 }
42 43publicfloat getX() {
44return x;
45 }
46 47publicvoidfloat x) {
48this x;
49 }
50 51publicfloat getY() {
52return y;
53 }
54 55publicvoidfloat y) {
56this y;
57 }
58 }
59 60publicbooleanfloatfloat b) {
61returntruefalse;
62 }
63 64publicfloat distance(KMeanData a, KMeanData b) {
65 66returnfloat)
67));
68 }
69 70publicboolean Kequal(KMeanData a, KMeanData b) {
71if exp)
72returntrue;
73returnfalse;
74 }
75 76publicintint range) {
77new KMeanData[size];
78forint) {
79new KMeanData();
80float range));
81float range));
82);
83 }
84return kmData;
85 }
86 87publicvoidfinalint k) {
88forint) {
89thisthis);
90forint) {
91if i) {
92);
93 }
94 }
95);
96 }
97 }
98 99publicfinalint k) {
100ifnull) {
101);
102returnnull;
103 }
104if data.length) {
105 data.length);
106returnnull;
107 }
108/*随机选取k个点*/109new();
110int k;
111//均值步长取k的初始簇112forint stride) {
113);
114 topk.add(data[i]);
115 }
116//聚合117whiletrue) {
118forint) {
119floatfloat) 1e9, dist;
120int;
121for (KMeanData kter : topk) {
122if distance(data[i], kter))) {
123 dist;
124 i;
125 }
126 }
127);
128 }
129//重新计算质心130new];
131intnewint];
132forint) {
133;
134new KMeanData();
135 data[i].getX());
136 data[i].getY());
137 }
138forint) {
139 kcnt[i]);
140 }
141//判断一下是否是已经收敛了142booleanfalse;
143forint) {
144if])) {
145true;
146]);
147 }
148 }
149ifbreak;
150 }
151return data;
152 }
153View Code
1package com.data.algorithm;
2 3 4/** 5 * *********************************************************
6 * <p/>
7 * Author: XiJun.Gong
8 * Date: 2017-01-17 17:57
9 * Version: default 1.0.0
10 * Class description：
11 * <p/>
12 * *********************************************************
13*/14publicclass Main {
15publicstaticvoid main(String args[]) {
16new Kmeans();
17);
18 }
19View Code
1 )
2 )
3 4 )
5 )
6 7 )
8 )
910 )
11 )
1213 )
14 )
1516 )
17 )
1819 )
20 )
2122 )
23 )
2425 )
26 )
2728 )
292. 改进的ＫMeans算法；
ＫMeans算法存在很多很多的改进版， 比如有优化最开始的Ｋ个特征数据选取的，还有如何减少计算量的，这里就介绍一下最后一种变种.
2.1 Mini Batch K-Means；
Mini Batch K-Means思想核心： 在求解稳定的聚类中心时，每次随机抽取一批数据，然后进行Ｋmean计算，然后直至中心点稳定之后，在将所有的数据依据这些中心点进行分类，从而达到和ＫMeans一样的效果，同时有大大的减少了中间的计算量.
应用的范围： 在面对巨大的数据量时，可以考虑使用这种思路.
参考文献：
http://image.hanspub.org:8080/pdf/CSA20160900000_76874550.pdf