k-means学习

基本原理：
事先确定常数K，常数K意味着最终的聚类类别数，首先随机选定初始点为质心，并通过计算每个样本与质心之间的相似度（欧氏距离），将样本点归到最相似的类中，接着重新计算每个类的质心（即为类中心），重复这样的过程，知道质心不再改变，最终确定了每个样本所属的了别以及每个类的质心。由于每次都要计算所有样本与每一个质心之间的相似度，故在大规模的数据集上，K-Means算法的收敛速度比较慢。

注意：K-Means算法一定会收敛。

python实现：from sklearn.cluster import MiniBatchKMeans / K_means 参数：n_clusters(产生质心的个数)、max_iter(最大迭代次数).

MiniBatchKMeans:在每次更新质心时取部分点，而不是全部点。

来源：https://www.bilibili.com/video/BV1jb411p7ZF?p=6