【数学建模】-聚类模型学习笔记之Kmeans聚类

学习来源：清风老师

我们可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测；也可以探究不同类之间的相关性和主要差异。
分类是已知类别的，聚类未知。

K-means聚类算法

算法流程

1. 指定需要划分的簇[cù]的个数K值（类的个数）
2. 随机地选择K个数据对象作为初始的聚类中心（不一定要是我们的样本点）
3. 计算其余的各个数据对象到这K个初始聚类中心的距离，把数据对象划归到距离它最近的那个中心所处在的簇类中
4. 调整新类并且重新计算出新类的中心
5. 循环步骤三和四，看中心是否收敛（不变），如果收敛或达到迭代次数则停止循环
6. 结束
   
   

K-means算法评价

优点：

• 算法简单、快速。
• 对处理大数据集，该算法是相对高效率的。

缺点：

• 要求用户必须事先给出要生成的簇的数目K。
• 对初值敏感。
• 对于孤立点数据