我希望将KL-divergence作为我的指标对我的数据进行聚类。
在K-means中：
选择群集数量。
随机初始化每个群集的均值。
将每个数据点分配给距离值最小的群集c。
将每个群集的平均值更新为分配给它的数据点的平均值。
在欧几里德案例中，只需平均每个向量，就可以轻松更新均值。
但是，如果我想使用KL-divergence作为我的指标，我该如何更新我的意思？
答案 0 :(得分：6)
具有KL分歧的聚类可能不是最好的主意，因为KLD缺少metrics的重要属性：对称性。因此，获得的集群可能很难解释。如果您想继续使用KLD，您可以使用KLD平均值的距离，即
d(x,y) = KLD(x,y)/2 + KLD(y,x)/2
答案 1 :(得分：2)
使用KLD不是一个好主意，原因有两个： -
添加较小的数字可能会影响准确性。
答案 2 :(得分：0)
K-means用于处理欧几里德距离：如果要在聚类中使用非欧几里德相似性，则应使用不同的方法。使用任意相似性度量进行聚类的最有原则的方法是spectral clustering，并且K-means可以作为其变体导出，其中相似性是欧几里德距离。
正如米奇勒所说，吉隆坡的分歧不是衡量标准。你希望简森香农分歧对称。
答案 3 :(得分：0)
嗯，在“k-means框架”中使用KL可能不是一个好主意。如上所述，它不是对称的，而且K-Means旨在用于欧几里德空间。
但是，您可以尝试使用NMF（非负矩阵分解）。实际上，在“数据聚类”（由Aggarwal和Reddy编辑）一书中，您可以找到证明NMF（在聚类任务中）像k-means一样工作，只有非负约束。有趣的是，NMF可能会使用一堆不同的距离和差异。如果你编程python：scikit-learn 0.19实现beta分歧，它具有变量beta作为自由度。根据β的价值，分歧具有不同的行为。在beta等于2时，它假定KL分歧的行为。
这实际上在主题模型上下文中非常常用，人们尝试在主题（或主题）上聚集文档/单词。通过使用KL，结果可以被解释为关于单词主题和主题分布如何相关的概率函数。
您可以找到更多信息：
FÉVOTTE，C.，IDIER，J。“非负矩阵的算法 用β分歧进行分解“，神经计算，第23卷，n。 9，pp.2421-2456,2011。ISSN：0899-7667。 doi：10.1162 / NECO_a_00168。 Disponívelem：。
LUO，M.，NIE，F.，CHANG，X。，et al。 “概率非负面 矩阵分解及其主题建模的鲁棒扩展。“ 在：AAAI，第2308-2314页，2017年。
KUANG，D.，CHOO，J.，PARK，H。“非负矩阵分解 交互式主题建模和文档聚类“。在： Partitional Clus- tering Algorithms，Springer，pp.215-243,2015。
http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.NMF.html