Python机器学习笔记（二）：无监督学习

 

大一暑假学习热情颇高却又贪多求快，囫囵吞枣地花了几天刷了一遍Python机器学习入门课程，很快就什么都不记得了。之后一年半多，也没有什么需要用到机器学习的地方，加上断断续续学了C++，连Python语法都快忘光了。

时隔近两年，这个blog要重新更新了。这次会在三周内更新完Python机器学习的内容，再花三个月左右的时间另起blog，更新吴恩达机器学习课程笔记和深度学习基础部分。希望Flag不倒！

注：本blog经过整理、简化，以便我自己复习和查找。下面这篇Blog课程笔记copy的比较全，可供听课时参考（以节约笔记时间）https://blog.csdn.net/linzch3/article/details/76038172

 

聚类：K-means算法

算法介绍：

k-means算法以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。

算法流程：

1. 随机选择k个点作为初始的聚类中心；
2. 对于剩下的点，根据其与聚类中心的距离，将其归入最近的簇
3. 对每个簇，计算所有点的均值作为新的聚类中心
4. 重复2、3直到聚类中心不再发生改变

K-means算法实例

import numpy as np
from sklearn.cluster import KMeans

KMeans的主要参数：

• n_clusters：用于指定聚类中心的个数
• init：初始聚类中心的初始化方法
• max_iter：最大的迭代次数
• 一般调用时只用给出n_clusters即可， init 默认是k-mea