在本文中，我们将讨论K-Means算法，它是一种基于聚类的无监督机器学习算法。此外，我们还将讨论如何使用K-Means来压缩图像。

在深入研究K-Means算法的细节之前，让我们先了解一下无监督的机器学习是什么，以及它的实际应用是什么。

与有标记数据的监督机器学习不同，，无监督机器学习处理未标记数据的问题。如果你熟悉经典的有监督机器学习，你可能会问，如何从未标记的数据集中学习任何有用的东西？成本函数是否不需要输出标签来计算算法的执行方式？

无监督机器学习（更具体地说是K-Means），是通过将相似的数据点聚集在高维空间中来实现的。

在左侧，数据点最初是分散的。假设我们不知道每个数据点是如何相关的，但它们不失普遍性。换句话说，仅仅通过查看图表，我们无法确定某某点是否相似，只是因为它们彼此靠近（同样，想象数据点是高维的，即大于3维）。

聚类的作用是，它将彼此更接近的数据点分组到一个聚类中，而不管维度的数量，从而表明属于单个聚类的数据点属于特定类。

这个简单的想法有可能解决我们社会面临的许多问题：

• 市场细分：根据不同的特征将潜在客户的市场划分或细分的过程。创建的细分市场由消费者组成，消费者将对营销策略做出类似响应，并且共享诸如类似兴趣，需求或位置等特征。


• 社交网络分析：分析具有相似品味的社交媒体平台的用户的过程。在识别具有相似品味的用户之后，运行有针对性的广告变得更容易。


• 天文数据分析：分析未标记的天文数据以找出隐藏模式的过程。

注意：你可能会惊讶地听到这个事实，但是当今世界中标记数据的数量只是可用数据量的一小部分。因此，这一事实进一步增强了无监督机器学习的优势。

K-Means算法

1.选择K，这是聚类的数量。虽然我们讨论的是无监督的机器学习，但算法并不会神奇地将输入数据集聚集到一定数量的聚类中。我们需要指定我们想要的聚类。基于领域知识，可以轻松指定所需的聚类。尽管如此，即使您不熟悉存在多少个聚类，也有一种技术可以确定如何选择“K”。

2.从所有可用数据点的集合中，随机选择K个数据点并将其称为“聚类质心”。

3.聚类分配。遍历整个数据集，对于每个数据点x（i），将其分配给它更接近的一个聚类质心。我们如何确定“近距离”？通过计算所述点之间的欧氏距离来做到这一点。现在，我们将形成聚类。我们将c（i）表示为最接近x（i）的聚类质心的索引。

4.移动质心。将聚类质心移动到另一个位置，该位置由它们所属的聚类中的点的平均值（即聚类内所有点的位置的平均值）确定。

5.连续重复步骤3和4，直到移动质心步骤没有任何显著变化。

实施K-Means

我们将使用以下关于汽车的数据集来执行聚类（从Kaggle下载）：



为了全面了解数据集，让我们查看seaborn配对图：



运行K-Means的整个代码库（以及上面的数据集）在Github存储库中，可以作为IPython笔记本使用：

github.com/adityachandupatla/ml_algorithms/blob/master/k_means/k-means.ipynb

我们在K-Means中用来确定聚类有多好的成本函数称为失真成本函数。本质上，它是数据点与分配给它的聚类质心的平均距离。



为了可视化聚类，请从cars.csv文件的可用列中取出两列。下面的可视化通过使用“hp”和“mpg”列完成的（但是，你可以自由选择任意数量的列）：

1.K = 2



2. K = 4



3. K = 8



4. K = 16



在上述图中，第一个图显示了数据集，以及聚类质心的最终位置（表示为三角形）。下一个图显示了结果聚类。我们可以看到，数据集似乎有大约2-4个聚类。为什么只有2-4个聚类，为什么不是8个或16个聚类？通过查看图，我们可以很容易看出K=8和K=16是冗余的，试图将足够接近的数据聚在一起。

这种说法似乎很直观。但是，如果我们的数据集是高维的呢？如果我们无法将其绘制在2D平面上，并想象K-Means中“K”的选择是对还是错，该怎么办？下一节将讨论这一问题。

选择K-Means中的K

在不依赖于领域知识或可视化的情况下，选择K的方法是采用elbow method。

我们用不同的 K 值运行K-Means几次（即首先只有一个聚类质心，然后是两个，以此类推）。对于每次运行，收集成本函数的输出并将其绘制在针对K的图形上。随着K增加，我们观察到成本函数J（）也减小了。但过了一段时间后，在K = 3或4以后，K开始慢慢减少。你会得到一个看起来像肘部的图表：



根据经验，肘点对应于K的最佳值。

使用K-Means进行图像压缩

是时候测试我们对K-Means的知识并将其应用于解决现实生活中的问题了。我们将使用K-Means来执行图像压缩。



最左边的图像描绘了实际图像。中间图像描绘了一个压缩图像，但剩下一点点分辨率。最右边的图像描绘了高度压缩和低分辨率的图像。压缩已经使用K-Means完成。

考虑你有一个大小为128 X 128 X 3的图像。如果你矢量化图像，你将有一个大小为16384 X 3的numpy数组。我们可以将这个图像视为数字数据的数据点，即我们必须忽略这个事实这个数据代表一个图像。

更具体地说，你可以将其视为任何其他大小为16384 X 3的numpy数组，其中示例的总数为m = 16384，并且要素的总数为n = 3。如果我们将K-Means应用于此数据集，通过选择让我们说K = 16，我们将选择16个最重要的数据点（这些数据点只是集群质心）。

如果我们现在将数组视为一个图像，唯一的区别是，我们现在只使用4位（因为2⁴= 16 = K）来表示图像颜色。新图像的总大小为：128 X 128 X 4 = 65536位。但是，我们仍然需要一些存储开销。我们仅使用4位来表示16种颜色。

但是，每种颜色（如果我们假设RGB格式）每个通道需要8位。换句话说，R + G + B = 8 + 8 + 8 = 24位以表示一种颜色。由于我们选择K = 16，对应16种颜色，我们额外需要24 X 16 = 384位。因此，表示新图像的总位数：65536 + 384 = 65920位。将其与原始图像进行比较，原始图像具有128 X 128像素，每个像素为24位颜色，结果是128 X 128 X 24 = 393216位。

显然，我们将图像压缩了6倍！结果惊人！

请记住，较高的K值意味着你不会大幅压缩图像，也就是说你将保留很多分辨率。但是，如果要选择较小的K值，则图像将被高度压缩，因此分辨率较低。