&&机器学习实战&&K均值聚类

1.概述

       聚类是一种无监督学习，它将相似的对象归到同一个簇中。聚类方法几乎可以应用于所有对象，簇内的对象越相似，聚类的效果越好。

       k-均值聚类之所以称为是因为它可以发现k个不同的簇，且每个簇的中心采用簇中所含值的均值计算而成。

2.簇识别（cluster identification）

       簇识别给出聚类结果的含义。假定有一些数据，现在将相似数据归到一起，簇识别会告诉我们这些簇到底都是些什么。聚类和分类的最大不同在于，分类的目标事先已知，而聚类则不一样。因为其产生的结果鱼分类相同，而只是类别没有预先定义，聚类有时也被称为无监督分类。

3.K-均值聚类

      优点：容易实现

     缺点：可能收敛到局部最小值，在大规模数据集上收敛较慢。

     适用数据类型：数值型数据。

K-均值是发现给定数据集的k个簇的算法。簇的个数k是用户给定的，每个簇通过其质心，即簇中所有点的中心来描述。

算法的流程：首先，随机确定K个初始点作为质心。然后，将数据集中的每个点分配到一个簇中，具体来讲，为每个点找距其最近的质心，并将其分配给该质心所对应的簇。这一步完成之后，每个簇的质心更新为该簇所有点的平均值。

伪代码：

一般流程：