Метод K-средних

Кластеризация $K$ представителями

Повторим общую схему работы метода K-представителей:

1. Инициализировать $\boldsymbol{\mu}_1, \dots, \boldsymbol{\mu}_K$.

2. Повторять до сходимости:

   • Для $n=1,2,...N$ обновить метки кластеров:

     $$z_n=\arg\min_k \rho(\mathbf{x}_n,\boldsymbol{\mu}_k)$$

   • Для $k=1,2,...K$ обновить центроиды кластеров:

     $$\boldsymbol{\mu}_k=\arg\min_{\boldsymbol{\mu}}\sum_{n\in C_k} \rho(\mathbf{x}_n,\boldsymbol{\mu})$$

3. ВЕРНУТЬ $z_1, \dots, z_N$.

Здесь

• $C_k$ - индексы объектов, принадлежащих кластеру $k$;

• $z_{1},...z_{N}$ - назначения объектам $\mathbf{x}_1,\mathbf{x}_2,...\mathbf{x}_{N}$ номеров их кластеров ;

• $\boldsymbol{\mu}_{1},...\boldsymbol{\mu}_{K}$ - центры каждого кластера, называемые также центроидами.

Кластеризация методом $K$ средних

Метод $K$-средних (K-means) является самым популярным частным случаем общего алгоритма $K$-представителей. Он получается, если в качестве меры расстояния $\rho(\cdot)$ выбрать квадрат Евклидова расстояния:

$$\rho(\boldsymbol{x}, \boldsymbol{\mu}) = \|\boldsymbol{x} - \boldsymbol{\mu}\|^2 = \sum_{j=1}^D (x^j - \mu^j)^2$$

где $\boldsymbol{x} \in \mathbb{R}^D$ — вектор объекта, а $\boldsymbol{\mu} \in \mathbb{R}^D$ — вектор центра кластера. Индекс $j$, как обычно, обозначает номер признака.

Минимизируемая функция потерь называемая инерцией и выглядит так:

$$\mathcal{L} = \sum_{n=1}^{N} \|\boldsymbol{x}_n - \boldsymbol{\mu}_{z_n}\|^2 \to \min_{\boldsymbol{\mu}, \boldsymbol{z}}$$

Расчёт центроидов

Почему же метод называется "$K$-средних"? Рассмотрим шаг обновления центров при фиксированных метках кластеров $z_1, \dots, z_N$. Нам нужно найти такой вектор $\boldsymbol{\mu}_k$, который минимизирует сумму квадратов расстояний до всех объектов $\boldsymbol{x}_n$, входящих в кластер $C_k$:

$$\boldsymbol{\mu}_k = \arg\min_{\boldsymbol{\mu}} \sum_{n \in C_k} \|\boldsymbol{x}_n - \boldsymbol{\mu}\|^2$$

Функция $J(\boldsymbol{\mu}) = \sum_{n \in C_k} \|\boldsymbol{x}_n - \boldsymbol{\mu}\|^2$ является суммой квадратичных функций, а значит — строго выпуклой (параболоиды с ветвями вверх). Следовательно, условие равенства градиента нулю является не только необходимым, но и достаточным условием глобального минимума.

Возьмем производную по вектору $\boldsymbol{\mu}$ и приравняем её к нулю:

$$\nabla_{\boldsymbol{\mu}} J(\boldsymbol{\mu}) = \sum_{n \in C_k} \nabla_{\boldsymbol{\mu}} (\boldsymbol{x}_n - \boldsymbol{\mu})^T (\boldsymbol{x}_n - \boldsymbol{\mu}) = -2 \sum_{n \in C_k} (\boldsymbol{x}_n - \boldsymbol{\mu}) = 0$$

Раскрывая сумму, получаем:

$$\sum_{n \in C_k} \boldsymbol{x}_n - |C_k| \cdot \boldsymbol{\mu}_k = 0$$

Отсюда следует формула пересчета:

$$\boldsymbol{\mu}_k = \frac{1}{|C_k|} \sum_{n \in C_k} \boldsymbol{x}_n$$

Таким образом, оптимальным представителем кластера по квадрату метрики $L_2$ является среднее арифметическое всех объектов этого кластера.

Алгоритм Ллойда

Классическая реализация метода $K$-средних называется алгоритмом Ллойда. Она выглядит следующим образом:

1. Инициализировать центры $\boldsymbol{\mu}_1, \dots, \boldsymbol{\mu}_K$ (случайно или методом K-means++).

2. ПОВТОРЯТЬ до сходимости:

   • Для $n=1,2,...N$ обновить метки кластеров:

     $$z_n = \arg\min_{k \in \{1,\dots,K\}} \|\boldsymbol{x}_n - \boldsymbol{\mu}_k\|^2_2$$

   • Для $k=1,2,...K$ обновить центроиды кластеров:

     $$\boldsymbol{\mu}_k = \frac{1}{|C_k|} \sum_{n \in C_k} \boldsymbol{x}_n$$

3. ВЕРНУТЬ $z_1, \dots, z_N$.

K-means популярен за счёт быстрой скорости работы - центры не нужно оптимизировать, поскольку для их оптимального расположения есть аналитическая формула в виде усреднения объектов каждого кластера.

Инициализация центров

Метод K-средних, как частный случай метода K-представителей, чувствителен к начальной инициализации центров кластеров. К нему применимы те же приёмы повышения эффективности инициализации, что и для общего метода K-представителей.

Пример работы

Ниже приведен процесс работы алгоритма шаг за шагом:

Кластеризация рукописных цифр (MNIST): Если кластеризовать данные датасета Digits (рукописные цифры [1]), уменьшенные до двух измерений с помощью метода главных компонент, то разбиение на кластера будет таким [2]:

Ограничения метода

Метод всегда возвращает $K$ кластеров, где $K$ - заданный пользователем гиперпараметр, даже если кластерная структура в данных реально отсутствует, как на примере ниже:

Также метод вернёт в точности $K$ кластеров, даже если реальное число кластеров больше или меньше этого значения.

Выбор Евклидова расстояния накладывает строгие ограничения на форму получаемых кластеров. Объект $\boldsymbol{x}$ сильнее принадлежит $i$-му, а не $j$-му кластеру, если выполняется условие:

$$\|\boldsymbol{x} - \boldsymbol{\mu}_i\| < \|\boldsymbol{x} - \boldsymbol{\mu}_j\|$$

Это уравнение задает линейную полуплоскость. Множество объектов $i$-го кластера будет получаться пересечением всех таких полуплоскостей

$$\{\boldsymbol{x}: \|\boldsymbol{x} - \boldsymbol{\mu}_i\| < \|\boldsymbol{x} - \boldsymbol{\mu}_j\|,\; \forall j\ne i\}$$

и представлять собой выпуклый многогранник. Таким образом, алгоритм конструктивно не сможет выделять невыпуклые кластеры, как на примере ниже:

Также алгоритм стремится минимизировать дисперсию во всех направлениях одинаково. Это означает неявное предположение, что кластеры имеют сферическую форму, поэтому он будет плохо справляться с выделением кластеров вытянутой формы. Чтобы уменьшить эффект этой особенности, признаки важно приводить к одной шкале перед запуском метода.

Из равномерности учёта всех расстояний следует другое предположение, что кластера имеют примерно одинаковый размер.

Алгоритмическая сложность

Вычислительная сложность алгоритма Ллойда оценивается как $O(I \cdot N \cdot K \cdot D)$, где:

• $N$ — количество объектов в выборке;
• $K$ — количество кластеров;
• $D$ — размерность пространства признаков;
• $I$ — количество итераций до сходимости.

Действительно, алгоритм состоит из циклического повторения двух основных шагов - назначение меток и обновление центроидов. Рассмотрим сложность одной итерации цикла:

1. Назначение меток. На этом этапе для каждого из $N$ объектов необходимо найти ближайший центроид.

   • Чтобы вычислить квадрат Евклидова расстояния $\|\boldsymbol{x}_n - \boldsymbol{\mu}_k\|^2$ между одним объектом и одним центроидом, требуется $O(D)$ операций.
   • Это вычисление проводится для каждого из $K$ центроидов.
   • Следовательно, для одного объекта сложность поиска ближайшего центра составляет $O(K \cdot D)$.
   • Для всех $N$ объектов суммарная сложность шага: $O(N \cdot K \cdot D)$.

2. Обновление центроидов. На этом этапе пересчитываются координаты центров.

   • Для вычисления нового центра $\boldsymbol{\mu}_k$ необходимо усреднить векторы всех объектов, попавших в кластер $C_k$.
   • Сложение двух векторов размерности $D$ требует $O(D)$ операций.
   • Поскольку каждый из $N$ объектов принадлежит ровно одному кластеру, он участвует в суммировании ровно один раз.
   • Следовательно, суммарная сложность пересчета всех центров составляет $O(N \cdot D)$.

В итоге получаем сложность одной итерации цикла $O(N \cdot K \cdot D)$. Поскольку итерации повторяются $I$ раз, то итоговая сложность $K$-средних равна $O(I \cdot N \cdot K \cdot D)$.

Сложность растёт линейно с увеличением числа объектов $N$, делает алгоритм пригодным для обработки больших массивов данных, в отличие от многих других методов кластеризации.

Алгоритмические оптимизации

Стандартный алгоритм Ллойда на каждой итерации вычисляет расстояния от каждого объекта до всех $K$ центров. Существуют алгоритм Элкана [3], ускоряющий этот процесс, который основан на использовании неравенства треугольника для расстояний:

$$\|\boldsymbol{x} - \boldsymbol{\mu}_j\| \ge \|\boldsymbol{\mu}_i - \boldsymbol{\mu}_j\| - \|\boldsymbol{x} - \boldsymbol{\mu}_i\|$$

Это позволяет отбрасывать далекие центры без явного вычисления расстояний до них, если известно, что объект уже достаточно близок к своему текущему центру.

Ускорение достигается ценой повышенных расходов на память порядка $O(N\cdot K)$ для хранения промежуточных переменных.

Mini-batch K-means

Несмотря на то, что метод K-средних обладает линейной сложностью, для очень больших данных (таких, как веб-страницы интернета) используется его приближённая стохастическая версия, которая работает приближённо, но сходится гораздо быстрее. Это алгоритм K-средних на минибатчах (Mini-batch K-means [4]), представляющий собой аналог стохастического градиентного спуска.

Обозначим $N(k)$ — текущее число элементов кластера $k$.

Алгоритм работает следующим образом:

1. Инициализировать $\boldsymbol{\mu}_k$ (случайно).

2. Повторять до сходимости:

   • Сэмплировать минибатч случайных объектов $\mathbf{x}'_b, \quad b=1,2,...B$.

   • Для $b=1,2,...B$:

     • определить кластер $z_b$ для $\mathbf{x}'_b$ (по принципу ближайшего центроида).

     • Обновить размер кластера: $N(z_b) := N(z_b)+1$.

     • Обновить центроид кластера:

       $$\boldsymbol{\mu}_{z(b)}:=\left(1-\frac{1}{N(z_b)}\right)\boldsymbol{\mu}_{z(b)}+\frac{1}{N(z_b)}\mathbf{x}'_b$$

Выходом алгоритма являются центроиды $\boldsymbol{\mu}_1,...\boldsymbol{\mu}_K$ по близости к которым можно кластеризовать любые данные.

K-средних на минибатчах не требует прохода по всем объектам выборки и приближённо сходится к ожидаемым центрам кластеров при просмотре лишь части обучающих объектов. При этом разница результатов K-means и Mini-batch K-means оказывается небольшой, как проиллюстрировано ниже [5]:

Ядерное обобщение K-средних

Идея

Как мы показали выше, метод K-средних выделяет лишь линейные границы между кластерами, а границы кластеров могут иметь только выпуклую форму. Однако метод K-средних допускает ядерное обобщение (Kernel K-means), которое способно сделать границы между классами нелинейными, а выделяемые области каждого класса - невыпуклыми, как показано на примере ниже:

Ядерное обобщение соответствует обычному методу K-средних, но не в исходном пространстве $\boldsymbol{x}$, а в новом пространстве $\phi(\boldsymbol{x})$, которое называемом спрямляющим.

При этом центроиды кластеров формально вычисляются по формуле

$$\boldsymbol{\mu}_i = \frac{1}{|C_i|}\sum_{n \in C_i} \phi(\boldsymbol{x}_n),$$

но напрямую не вычисляются, поскольку спрямляющее пространство может быть сложной структуры и даже бесконечномерным.

Ядерное обобщение расстояния до центроидов

Расстояние от объекта до центроида кластера вычисляется по формуле:

$$\rho(\boldsymbol{x}, \boldsymbol{\mu}_i)^2 = \|\phi(\boldsymbol{x}) - \boldsymbol{\mu}_i\|^2$$

Воспользуемся тем, что квадрат L2-нормы можно вычислить через скалярное произведение, а также свойствами скалярного произведения:

$$\|\phi(\boldsymbol{x}) - \boldsymbol{\mu}_i\|^2 = \langle\phi(\boldsymbol{x}) - \boldsymbol{\mu}_i, \phi(\boldsymbol{x}) - \boldsymbol{\mu}_i \rangle = \langle \phi(\boldsymbol{x}), \phi(\boldsymbol{x}) \rangle - 2\langle \phi(\boldsymbol{x}), \boldsymbol{\mu}_i \rangle + \langle \boldsymbol{\mu}_i, \boldsymbol{\mu}_i \rangle$$

Теперь выразим каждое слагаемое через функцию ядра:

$$K(\boldsymbol{x},\boldsymbol{x}') = \langle\phi(\boldsymbol{x}), \phi(\boldsymbol{x}') \rangle$$

1. Первое слагаемое:

   $$\langle \phi(\boldsymbol{x}), \phi(\boldsymbol{x}) \rangle = K(\boldsymbol{x}, \boldsymbol{x})$$

2. Второе слагаемое:

   $$2\langle \phi(\boldsymbol{x}), \frac{1}{|C_i|}\sum_{n \in C_i} \phi(\boldsymbol{x}_n) \rangle = \frac{2}{|C_i|} \sum_{n \in C_i} K(\boldsymbol{x}, \boldsymbol{x}_n)$$

3. Третье слагаемое:

   $$\langle \frac{1}{|C_i|}\sum_{n \in C_i} \phi(\boldsymbol{x}_n), \frac{1}{|C_i|}\sum_{m \in C_i} \phi(\boldsymbol{x}_m) \rangle = \frac{1}{|C_i|^2} \sum_{n \in C_i} \sum_{m \in C_i} K(\boldsymbol{x}_n, \boldsymbol{x}_m)$$

Итоговая формула:

$$\rho(\boldsymbol{x}, \boldsymbol{\mu}_i)^2 = \underbrace{K(\boldsymbol{x}, \boldsymbol{x})}_{\text{const по } i} - \underbrace{\frac{2}{|C_i|} \sum_{n \in C_i} K(\boldsymbol{x}, \boldsymbol{x}_n)}_{\text{средняя близость к объектам кластера}} + \underbrace{\frac{1}{|C_i|^2} \sum_{n \in C_i} \sum_{m \in C_i} K(\boldsymbol{x}_n, \boldsymbol{x}_m)}_{\text{компактность кластера}}$$

Итоговый алгоритм

В отличие от стандартного K-means, здесь мы не можем явно хранить и пересчитывать координаты центров $\boldsymbol{\mu}_i$. Вместо этого состояние алгоритма определяется текущим распределением объектов по кластерам (метками $z_n$), которые неявно задают центроиды в спрямляющем пространстве.

Вход:

• $\mathbf{X} = \{\boldsymbol{x}_1, \dots, \boldsymbol{x}_N\}$ — набор данных.
• $K$ — число кластеров.
• $k(\cdot, \cdot)$ — функция ядра (обычно это гауссово или полиномиальное ядро).

Алгоритм:

1. Инициализация: Случайным образом назначить начальные метки кластеров $z_n \in \{1, \dots, K\}$ для всех объектов $n=1, \dots, N$. Это определяет начальные множества $C_1, \dots, C_K$.

2. Повторять до сходимости:

   1. Для каждого кластера $i=1, \dots, K$ вычислить слагаемое, отвечающее за его компактность (не зависит от текущего объекта $\boldsymbol{x}$):

      $$L_i = \frac{1}{|C_i|^2} \sum_{n \in C_i} \sum_{m \in C_i} K(\boldsymbol{x}_n, \boldsymbol{x}_m)$$

   2. Для каждого объекта $n=1, \dots, N$:

      • Вычислить расстояние от $\boldsymbol{x}_n$ до центра каждого кластера $i$:
      $$d^2(\boldsymbol{x}_n, i) = L_i - \frac{2}{|C_i|} \sum_{m \in C_i} K(\boldsymbol{x}_n, \boldsymbol{x}_m)$$

      (Слагаемое $K(\boldsymbol{x}_n, \boldsymbol{x}_n)$ опущено, так как оно одинаково для всех $i$ и не влияет на выбор минимума).

      • Назначить новый кластер:
      $$z_n = \arg\min_{i} d^2(\boldsymbol{x}_n, i)$$

3. Вернуть $z_1, \dots, z_N$.

Недостатки метода

Недостатком ядерного обобщения K-means является высокая вычислительная сложность. Чтобы вычислить расстояние от одного объекта до центра кластера $i$, нужно просуммировать значения ядра со всеми объектами этого кластера. Суммарная сложность одной итерации составляет $O(N^2)$. Квадратичная сложность по числу объектов делает метод неприменимым для очень больших выборок.

Также метод, производя переход в спрямляющее пространство, теряет изначальную интуитивность и интерпретируемость. Для его работы необходимо выбрать функцию ядра и её гиперпараметры.

Литература

1. Репозиторий UCI: Optical Recognition of Handwritten Digits.
2. Документация sklearn: A demo of K-Means clustering on the handwritten digits data.
3. Elkan C. Using the triangle inequality to accelerate k-means //Proceedings of the 20th international conference on Machine Learning (ICML-03). – 2003. – С. 147-153.
4. Sculley D. Web-scale k-means clustering //Proceedings of the 19th international conference on World wide web. – 2010. – С. 1177-1178.
5. Документация sklearn: Mini Batch K-Means.