【数据分析/商业分析】面试知识点——K-Means聚类

K-Means

1.简述K-Means算法

原理：将样本分为K个类，类内拥有高相似度，类间相似度较低
计算过程：①随机选取K个对象，作为K个类各自的中心
②对剩余样本，计算与每个类中心的距离，将它赋给最近的类
③根据聚类的结果，重新计算每个类的类中心（取类中所有元素各自维度的算术平均数）
④将元素全部按照新的类中心重新聚类
⑤重复③④步，直到聚类结果不再变化为止
优化函数：（算法即优化成本函数）
优点：简单易行，效果较好，只需要调一个参数K
缺点：受初始类中心影响，可能会产生局部最优解。
对于不是凸的数据集比较难收敛；
对隐含类别数据不平衡的数据分类效果不佳；
对异常值较为敏感。

2.对于K值的选取：肘部原则

3.距离度量方法：欧几里得距离、余弦相似度

4.初始类中心选取：

①基于距离的随机选择：随机选择一个点作为第一个类中心，再随机选择离已选点远的点作为下一个类中心。（更有可能选择“远且附近有很多点” 的样本）
②随机选取
③先使用层次聚类进行初始聚类

5.初始质心的选择对结果的影响：结果可能会随着质心的不同而不同、初始类中心的不同可能会使该算法陷入局部最优解

6.空类如何处理：