机器学习之 K-均值聚类算法

K-均值（K-means）聚类算法是一种常用的无监督学习算法，用于将数据集划分为K个不同的簇。该算法通过迭代的方式将数据点分配到最近的簇中，并更新簇的中心，直到收敛为止。

一、K-均值聚类算法的基本步骤：

1. 初始化K个簇的中心点（可以随机选择或者根据数据集初始化）。

2. 将每个数据点分配到最近的簇中。

3. 更新每个簇的中心点为该簇所有数据点的平均值。

4. 重复步骤2和3，直到簇的中心点不再改变或达到指定的迭代次数。

二、K-均值聚类算法的优点：

• 简单且易于实现。

• 可以处理大规模数据集。

• 能够有效地对数据进行聚类，尤其在簇形状相对简单且簇之间区别明显时效果较好。

三、K-均值聚类算法的缺点：

• 对初始中心点的选择敏感，可能会陷入局部最优解。

• 需要事先确定簇的个数K，如果K值选择不合适，可能导致聚类效果不佳。

• 对异常值和噪声敏感，可能会影响聚类结果。

四、K-均值聚类算法Python代码

from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt

# 生成示例数据
np.random.seed(0)
X = np.random.rand(100, 2)

# 创建KMeans模型并拟合数据
kmeans = KMeans(n_clusters=3, random_sta