Python机器学习课程K-Means聚类分析

聚类（clustering）

聚类概念解析

聚类作为一种无监督学习（unsupervised learning）方法，其特点在于无需预先设定类别标签。
它属于数据挖掘领域中的经典算法之一。
该算法需要输入参数k，随后将数据样本划分为k个类别；在同一个类别内部，样本之间的相似性较高；而不同类别之间的样本相似性则相对较低
这意味着该方法无法自动判断类别的数量（因为k值必须在算法运行前确定），并且通常会随机选择初始点作为聚类中心进行计算。

算法描述

聚类算法的核心理念是选取空间中k个样本点作为初始中心，通过迭代方式对邻近的样本点进行归类，并持续优化各个聚类中心的位置，以实现最优的聚类效果。

具体的执行流程如下：
1. 确定k个聚类的初始中心点
随机选取k个作为初始的中心位置
2. 在第n次迭代过程中，针对每一个样本点，计算其与所有k个聚类中心之间的距离，并将其分配至距离最短的中心对应的类别中。
换句话说，就是比较该样本点到每个中心的距离，选择距离最近的那个作为归属类别。
3. 采用均值等统计方法对各类别进行中心值的更新
即在完成第二步后，计算各类别样本的平均值，并将此结果作为下一轮迭代的新中心点
4. 当所有k个聚类中心在经过第二、第三步迭代更新后**趋于稳定状态时，则停止迭代过程。