机器学习：R实现k-means算法做画像

1.K-means应用场景：
K-means算法通常可以应用于维数、数值都很小且连续的数据集，比如：从随机分布的事物集合中将相同事物进行分组。
具体可参考：
https://blog.csdn.net/yunqiinsight/article/details/80134331
2.K-means算法原理：
K-means算法是根据数据点之间的欧氏距离进行聚类的，是一种无监督学习算法，步骤要点是：

1. 选择一个聚类数k，迭代次数n
2. 随机选择K个点作为初始簇中心
3. 计算周围节点与这K个点的欧式距离，距离近的加入该点形成的簇，得到初始簇
4. 对初始簇计算质心，作为下一轮簇中心，再进行聚类，然后再计算质心
5. 重复之心第4步，直到迭代次数结束，形成最终簇和最终簇中心。

那么详细的计算过程可以参考https://www.cnblogs.com/pinard/p/6164214.html：
3.k-means算法R实现：
1）对导入的数据进行格式转化
由于k-means算法根据欧式距离判断数据点归属哪个类，故需要将数据转化成数值型。若存在字符形式的，需先转化成因子型，再转化为数值型。

2）对数据做标准化处理
数据之间量纲不一致导致数据无法对比，需要进行标准化处理，使用scale（）函数将数据标准化为均值是0，方差是1的数据。

3）加载相关聚类包

一定要设置随机数种子，因为k-means最开始是随机找初始簇中心。
set.seed(123)
4）验证数据是否是高度可聚合
若输出值<0.5，则表示该数据是高度可聚合的。

5）输出最优聚类数

6）进行k-means聚类

7）模型评估
8）结果解析