机器学习 -- K-MEANS算法（Ⅱ K-MEANS概述）

一. 介绍

        k-Means算法是最经典的基于划分的聚类算法。所谓基于划分的方法是将样本集组成的矢量空间预先初始化，划分为多个区域，每个区域有一个区域中心，对于每个样本，可以建立一种样本到区域中心的映射。通过不断的迭代，不断的重新定位，从一个组移动到另一个组来进行划分。不同的映射方式产生不同的基于划分的聚类算法.k-means算法要求样本点与中心点的欧几里得距离最小。

 

二. 计算过程

k-Means算法计算过程如下：

（1）导入数据：收集并准备数值型矩阵作为原始数据集；

（2）创建初始质心：指定聚类数k，从原始数据集中随机选取k个对象作为初始质心；

（3）分配：计算数据集中每个对象到所有质心的距离，并将数据点分配到距离最接近的质心，从而形成簇分配矩阵；

（4）重新计算质心：计算簇中所有点的均值，并将均值作为新的质心。

（5）反复执行（3）和（4），直至质心不再移动。

 

三. 工作流程图例

（1）假设原始样本点如下：