通俗易懂讲透 Mini-Batch K-means（本科生/研究生都能看懂）
Mini-Batch K-means 就是标准 K-means 的高速版，专门解决大数据跑不动的问题。本文用大白话+通俗案例+核心公式+可直接运行代码，从零讲透，适合课堂笔记、实验报告。
一、先回顾：K-means 是什么？
聚类就是把相似的数据分到一组，K-means 是最经典的聚类算法。
标准 K-means 流程：
- 随机选 K 个点作为质心（簇中心）
- 每个点分配到最近的质心
- 重新计算每个簇的平均值作为新质心
- 重复直到质心不再变化
痛点：数据量几百万、上千万时，每次都遍历全量数据，太慢、太占内存。
二、Mini-Batch K-means 到底是什么？
一句话：
每次只抽一小批数据（Mini-Batch）更新质心，不跑全量数据，速度大幅提升，结果近似标准 K-means。
可以这么理解：
- 标准 K-means：全班一起考试，算平均分
- Mini-Batch K-means：随机抽几组同学考试，用这几组慢慢调整平均分
三、超通俗案例：用兴趣爱好给朋友分组
我们用 10 个朋友的「唱歌、跳舞、画画」评分，演示 Mini-Batch K-means 怎么做。
数据
| 朋友 | 唱歌 | 跳舞 | 画画 |
|---|---|---|---|
| A | 8 | 2 | 1 |
| B | 7 | 3 | 2 |
| C | 1 | 8 | 2 |
| D | 2 | 7 | 3 |
| E | 2 | 1 | 9 |
| F | 3 | 2 | 8 |
| G | 8 | 1 | 2 |
| H | 7 | 2 | 1 |
| I | 1 | 9 | 2 |
| J | 3 | 8 | 2 |
步骤（极简版）
- 初始化：随机选 A、C 作为两个质心
- 抽一小批：比如抽 B、D、F
- 算距离：用欧几里得距离看谁离哪个质心近
- 分配簇：B→簇1，D→簇2，F→簇1
- 更新质心：只用这批数据更新，不用全量
- 重复：再抽一批，继续更新，直到稳定
四、核心公式（看懂就能写报告）
1. 标准 K-means 目标函数
最小化所有点到质心的平方距离和：
J=∑i=1N∑k=1Krik∥xi−μk∥2 J=\sum_{i=1}^{N} \sum_{k=1}^{K} r_{i k}\left\| x_{i}-\mu_{k}\right\| ^{2}J=i=1∑Nk=1∑Krik∥xi−μk∥2
- (N)：总样本数
- (K)：簇数量
- xix_ixi：第iii个样本
- μk\mu_kμk：第kkk个质心
- rikr_{ik}rik：样本iii是否属于簇kkk（0 或 1）
2. Mini-Batch 目标函数
只优化当前小批量数据：
Jmini=∑i∈batch∑k=1Krik∥xi−μk∥2 J_{mini }=\sum_{i \in batch } \sum_{k=1}^{K} r_{i k}\left\| x_{i}-\mu_{k}\right\| ^{2}Jmini=i∈batch∑k=1∑Krik∥xi−μk∥2
3. 分配规则（最近质心）
rik={1k=argminj∥xi−μj∥20否则 r_{i k}= \begin{cases}1 & k=arg min _{j}\left\| x_{i}-\mu_{j}\right\| ^{2} \\ 0 & 否则 \end{cases}rik={10k=argminj∥xi−μj∥2否则
4. 质心更新（最重要！）
Mini-Batch 用增量学习更新，不是重新算均值：
μk(t+1)=μk(t)+η⋅(xi−μk(t)) \mu_{k}^{(t+1)}=\mu_{k}^{(t)}+\eta \cdot\left(x_{i}-\mu_{k}^{(t)}\right)μk(t+1)=μk(t)+η⋅(xi−μk(t))
- η=1tk\eta = \frac{1}{t_k}η=tk1：学习率（更新次数越多，步长越小）
- tkt_ktk：该质心被更新的次数
- 好处：不用存全量数据，计算极快
五、Mini-Batch K-means 完整算法流程
- 随机初始化 K 个质心
- 从全量数据中随机抽取一个 Mini-Batch
- 对 Batch 内样本：计算距离 → 分配到最近簇
- 用增量公式更新质心
- 重复抽取 Batch、更新，直到质心收敛或达到最大迭代次数
六、实战代码：图像压缩（可直接复制运行）
最经典应用：用 Mini-Batch K-means 把图像颜色聚类，实现图像压缩。
# 安装依赖# pip install numpy matplotlib scikit-learn pillowimportnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.clusterimportMiniBatchKMeansfromPILimportImage# 1. 加载图片并转为 RGB 数组image=Image.open("lenna.jpg").convert("RGB")image=np.array(image)rows,cols,_=image.shape# 2. 把图像展平为 (像素数, 3) 的格式X=image.reshape(-1,3)# 3. 设置聚类参数n_colors=16# 压缩成 16 种颜色batch_size=1024# 小批量大小# 4. Mini-Batch K-means 聚类mb_kmeans=MiniBatchKMeans(n_clusters=n_colors,batch_size=batch_size,random_state=42)mb_kmeans.fit(X)# 5. 生成压缩图像labels=mb_kmeans.predict(X)centers=mb_kmeans.cluster_centers_.astype("uint8")compressed=centers[labels].reshape(rows,cols,3)# 6. 对比显示plt.figure(figsize=(12,5))plt.subplot(1,2,1)plt.imshow(image)plt.title("原始图像",fontsize=14)plt.axis("off")plt.subplot(1,2,2)plt.imshow(compressed)plt.title(f"压缩图像（{n_colors}色）",fontsize=14)plt.axis("off")plt.tight_layout()plt.show()代码说明
n_colors：压缩后颜色数量，越小压缩率越高batch_size：一般设 256/512/1024，越大越接近标准 K-means- 速度优势：千万像素级图像也能秒级处理
七、Mini-Batch K-means 优缺点（面试/报告必背）
✅ 优点
- 速度极快：不用遍历全量数据，复杂度远低于 (O(N))
- 省内存：适合超大规模数据（百万+）
- 支持流式数据：可以一边来数据一边更新
- 近似效果好：多迭代几次，几乎接近 K-means
- 易分布式/ GPU 加速
❌ 缺点
- 精度略低于 K-means（小数据集不推荐）
- 对初始质心敏感
- 只适合欧式距离、凸簇
- 需要调 batch_size
八、适用场景（什么时候用？）
👉 必须用 Mini-Batch K-means
- 数据量超内存、千万级以上
- 需要快速出结果
- 流式/在线学习
- 图像压缩、颜色量化、用户分群、大数据预处理
👉 不要用
- 小数据集（直接 K-means）
- 非凸、复杂形状簇（用 DBSCAN）
- 超高维稀疏数据（用谱聚类）
九、一句话总结
Mini-Batch K-means 是大数据场景下的 K-means 加速版，用小批量数据增量更新质心，在损失极少精度的前提下，实现速度与内存的巨大优化，是工业界最常用的聚类算法之一。
