机器学习(九)聚类K-means

什么是聚类

聚类就是对大量未知标注的数据集，按照数据内部存在的数据特征将数据集划分为多个不同的类别，使类别内的数据比较相似，类别之间的数据相似度比较小； 属于无监督学习 

聚类算法的重点是计算样本项之间的相似度，有时候也称为样本间的距离 

和分类算法的区别： 分类算法是有监督学习，基于有标注的历史数据进行算法模型构建 聚类算法是无监督学习，数据集中的数据是没有标注的

相似度/距离公式

pearson相关系数

K-means算法：

K-means算法优缺点：

缺点： K值是用户给定的，在进行数据处理前，K值是未知的，不同的K值得到的结果也不一样；

             对初始簇中心点是敏感的 

            不适合发现非凸形状的簇或者大小差别较大的簇 

            特殊值(离群值)对模型的影响比较大

 优点： 理解容易，聚类效果不错 

        处理大数据集的时候，该算法可以保证较好的伸缩性和高效率

         当簇近似高斯分布的时候，效果非常不错

K-means优化:

二分K-Means算法

K-means++算法

Mini Batch K-means算法：

聚类算法的衡量指标--轮廓系数