K-Means演算法的10個有趣用例
K-means演算法具有悠久的歷史，並且也是最常用的聚類演算法之一。K-means演算法實施起來非常簡單，因此，它非常適用於機器學習新手愛好者。首先我們來回顧K-Means演算法的起源，然後介紹其較為典型的應用場景。
起源
1967年，James MacQueen在他的論文《用於多變數觀測分類和分析的一些方法》中首次提出 「K-means」這一術語。1957年，貝爾實驗室也將標準演算法用於脈衝編碼調製技術。1965年，E.W. Forgy發表了本質上相同的演算法——Lloyd-Forgy演算法。
什麼是K-Means演算法？
聚類，是將數據分成若干組，使得相同組中的數據點之間比其他組中的數據點更具有相似性。簡而言之，聚類就是將具有相似特徵的數據點分割成一個個組，也就是一個個聚類中。K-means演算法的目標是在數據中查找一個個組，組的數量由變數K表示。根據數據所提供的特徵，通過迭代運算將每個數據點分配給K個組中的其中一個組。下圖中K = 2，因此可以從原始數據集中識別出兩個聚類。
在一個數據集上執行K-means演算法，其輸出分別是：
1.K中心點：從數據集中識別的k個聚類的每一個中心點。
2.數據集的完全標記，以確保每個數據點都可以分配給其中一個聚類。
K-Means演算法的十大用例
K-means演算法通常可以應用於維數、數值都很小且連續的數據集，比如：從隨機分布的事物集合中將相同事物進行分組。
1.文檔分類器
根據標籤、主題和文檔內容將文檔分為多個不同的類別。這是一個非常標準且經典的K-means演算法分類問題。首先，需要對文檔進行初始化處理，將每個文檔都用矢量來表示，並使用術語頻率來識別常用術語進行文檔分類，這一步很有必要。然後對文檔向量進行聚類，識別文檔組中的相似性。 這裡是用於文檔分類的K-means演算法實現案例。
2.物品傳輸優化
使用K-means演算法的組合找到無人機最佳發射位置和遺傳演算法來解決旅行商的行車路線問題，優化無人機物品傳輸過程。這是該項目的白皮書。
3.識別犯罪地點
使用城市中特定地區的相關犯罪數據，分析犯罪類別、犯罪地點以及兩者之間的關聯，可以對城市或區域中容易犯罪的地區做高質量的勘察。這是基於德里飛行情報區犯罪數據的論文。
4.客戶分類
聚類能過幫助營銷人員改善他們的客戶群（在其目標區域內工作），並根據客戶的購買歷史、興趣或活動監控來對客戶類別做進一步細分。這是關於電信運營商如何將預付費客戶分為充值模式、發送簡訊和瀏覽網站幾個類別的白皮書。對客戶進行分類有助於公司針對特定客戶群制定特定的廣告。
5.球隊狀態分析
分析球員的狀態一直都是體育界的一個關鍵要素。隨著競爭越來愈激烈，機器學習在這個領域也扮演著至關重要的角色。如果你想創建一個優秀的隊伍並且喜歡根據球員狀態來識別類似的球員，那麼K-means演算法是一個很好的選擇。具體細節和實現請參照這篇文章。
6.保險欺詐檢測
機器學習在欺詐檢測中也扮演著一個至關重要的角色，在汽車、醫療保險和保險欺詐檢測領域中廣泛應用。利用以往欺詐性索賠的歷史數據，根據它和欺詐性模式聚類的相似性來識別新的索賠。由於保險欺詐可能會對公司造成數百萬美元的損失，因此欺詐檢測對公司來說至關重要。這是汽車保險中使用聚類來檢測欺詐的白皮書。
7.乘車數據分析
面向大眾公開的Uber乘車信息的數據集，為我們提供了大量關於交通、運輸時間、高峰乘車地點等有價值的數據集。分析這些數據不僅對Uber大有好處，而且有助於我們對城市的交通模式進行深入的了解，來幫助我們做城市未來規劃。這是一篇使用單個樣本數據集來分析Uber數據過程的文章。
8.網路分析犯罪分子
網路分析是從個人和團體中收集數據來識別二者之間的重要關係的過程。網路分析源自於犯罪檔案，該檔案提供了調查部門的信息，以對犯罪現場的罪犯進行分類。這是一篇在學術環境中，如何根據用戶數據偏好對網路用戶進行 cyber-profile的論文。
9.呼叫記錄詳細分析
通話詳細記錄（CDR）是電信公司在對用戶的通話、簡訊和網路活動信息的收集。將通話詳細記錄與客戶個人資料結合在一起，這能夠幫助電信公司對客戶需求做更多的預測。在這篇文章中，你將了解如何使用無監督K-Means聚類演算法對客戶一天24小時的活動進行聚類，來了解客戶數小時內的使用情況。
10.IT警報的自動化聚類
大型企業IT基礎架構技術組件（如網路，存儲或資料庫）會生成大量的警報消息。由於警報消息可以指向具體的操作，因此必須對警報信息進行手動篩選，確保後續過程的優先順序。對數據進行聚類可以對警報類別和平均修復時間做深入了解，有助於對未來故障進行預測。
原文：https://dzone.com/articles/10-interesting-use-cases-for-the-k-means-algorithm?spm=a2c4e.11153959.blogcont573745.17.6f9741e21SXyGP
－馬上學習AI挑戰百萬年薪－
TAG:AI講堂 |