kmeans 聚类算法

            今天给大家介绍一个数据挖掘中的简单的聚类（Clustering）算法kmeans，什么是“聚类”？举个简单例子，比如说有一堆电商企业的用户数据，记录着用户的各种身份信息和交易信息，如姓名、性别、买东什么东西，用户标签等等。那么在这么多用户中，事实上存在一批相似的用户的，什么叫“相似”呢？其实这里的相似是自己定义的，比如我可以定义如果用户购买的东西相似，那么用户就相似。于是我们想把相似的用户都找出来，聚成若干个类（cluster），使得每个类中的用户尽量相似，每个类之间的用户尽量不相似。找出这些类有什么用呢？用处大了，比如我可以知道这群人的购物习惯比较相似，那么推荐系统推荐商品的时候就可以参考。再比如有些搜索引擎有“查看相似网页”的功能，这个就可以用聚类来做，把网页就行聚类，在聚类的结果中，每一个类中的网页看成是相似的。

       下面来说说kmeans是怎么做Clustering的，kmeans有以下几个步骤：

(1) 设定聚类个数，选定类初始中心点。

        (2) 把每个点归类到离它最近的类中心点所属的类。

        (3) 重新计算新的类中心点。

        (4) 重复(2)直到收敛。

        是不是听着很抽象？我们来看一个简单例子。假设我们现在有6个数据点，每个数据点5维：

Pt1=(1,2,0,0,2)

Pt2=(2,1,3,4,2)

Pt3=(3,2,1,0,3)

Pt4=(1,3,0,0,3)

Pt5=(3,0,3,4,0)

Pt6=(1,2,2,4,0)

        kmeans算法要求指定聚类的个数及每个类的初始中心点，也就是说，你必须告诉它，你要把这堆数据聚成几类，kmeans这个名字中的k就是指类个数，并且在刚开始的时候，你要为每个类指定一个中心点来代表这个类。可能有人会问，我怎么能事先知道数据中大概有几类？以及初始中心点怎么选？这个问题问得很好，关于聚类个数的自动确定，以及初始中心点的自动选取，有专门的研究，这里不讨论这个问题，这里说的是最原始的kmeans~

        聚类个数的k：这个例子中，我们把k设为2。