K-means聚类算法原理及python实现

一、实验要求（10%）

1. 熟练使用Python中数据处理分析的基本操作

2. 理解并掌握常用的聚类算法，能使用Python实现聚类算法——Kmeans

（1）将数据准备成需要的格式

（2）编写聚类算法

（3）完成聚类算法的训练和测试

二、实验内容及步骤（80%）

1. 计算欧拉距离并计算质心位置

2. 使用K-means分类，随机取质心，更新质心，知道变化量都为0，并根据质心计算每个集群

3. 分别运行三个数据集，运用聚类算法得出图形结果

实验最终运行结果如下：

第一个数据集：

第二个数据集：

第三个数据集：

三、心得总结（写出自己在完成实验过程中遇到的问题、解决方法，以及体会、收获等）（10%）

K-mean算法的特点是不能保证该算法收敛域全局最优解，并且它常常终止于一个局部最优解。结果可能依赖于初始簇中心的随机选择，所以为了尽可能的得到好的结果，我们通常会选择不同的初始簇中心，来多疑运行K-均值算法。算法优点：

(1）原理比较简单，实现也是很容易，收敛速度快。

(2）聚类效果较优。

(3）算法的可解释度比较强。

(4）主要需要调参的参数仅仅是簇数k。

算法缺点：

(1）K值的选取不好把握

(2）对于不是凸的数据集比较难收敛

(3）如果各隐含类别的数据不平衡，比如各隐含类别的数据量严重失衡，或者各隐含类别的方差不同，则聚类效果不佳。

(4） 采用迭代方法，得到的结果只是局部最优。

遇到的问题：

在运行聚类算法的过程中，遇到了不能同时处理多个数据集的情况

解决方法：

分别编写三个命令分别对应执行不同的数据集，在运行一个命令时将其他两个命令注释掉，这样可以保证程序运行时只对一个数据集进行处理，不会发生多个数据集同时进行聚类算法的情况。

收获：通过这次实验更加明白了聚类算法在处理数据集方面的便利性，同时也了解到了聚类算法容易受到初始簇质心的情况影响，使结果产生误差，也了解到了二分K-means聚类算法可以进一步的优化，使得运行结果更加精确。