k-Means聚类算法实现

前言
机器学习算法主要分为三部分的应用:分类、回归、聚类。
前两部分我们都已经介绍过，今天我们来说最后一部分–聚类。首先来说聚类它是一种无监督学习方式，输入的数据集实例中并没有标签，也没有指定的学习任务，算法的结果是产生几个簇，把最相似的数据实例放在一起，而这个相似度的度量，正是算法的核心，本文采用的是基于距离的度量方式（有点类似KNN算法策略）。
一、算法实现
该算法思想比较简单，我就不啰嗦了，直接附上我的代码实现，这是一种传统的实现方式。数据集和代码都在这个链接里面，上面有详细的注释。

https://github.com/GritCoder/k-Means
二、补充
上面提到的是最基本的聚类算法，对于聚类算法的学习来说，是一个很好的工具，但是在很多应用场景中，已很难满足实际的需求，因此提出了很多kMeans的改进版本，比如二分K-Means 、kmeans++ 等众多改进算法。
改进点主要体现在这几方面：
1、数据集被划分为多少个簇，事先程序并不知道，需要用户手动输入，但是用户输入并没有依据参考，需要不断调试，逐步找到最佳的簇。一种改进办法就是让程序动态的划分簇，程序在执行过程中，根据数据集的特点和需要，可以动态的添加或者合并簇。
2、传统聚类算法主要是基于距离的度量方式，生成的结果簇中，保存了数据索引index和其到质心的距离，我们可以通过对距离再次进行后处理来优化，毕竟误差越小越好，其基本思想就是根据距离，再次进行簇的合并与划分。
具体的还有很多改进算法，详情可以参考一篇不错的博客，内容很赞。https://www.cnblogs.com/yixuan-xu/p/6272208.html