机器学习（三）K-means聚类（手肘法、轮廓系数、可视化代码）

K-means聚类

聚类是无监督学习当中非常重要的一部分，能够在没有标签的情况下将数据分类。说到聚类，最常用也是最重要的一个算法就是K-means算法。

算法介绍

K-means是一种非常简单快速高效的算法，只需要迭代几次即可。

其原理用一句话来说就是一个“标记实例，更新中心点”的循环。通过几次迭代达到收敛，但是往往是局部最优解。

这里也提出了一种k-means++的算法，这种方法使k-means收敛到最优解的可能性很小。其实一般直接调用sklearn的k-means默认就是k-means++算法，如果你想使用原来的k-means算法，将超参数设置为init=“random”即可

选择k值方法

k-means最重要的参数应该是类别数量了，也就是k值，一般寻找最优的k值有一下两种方法

手肘法

手肘法在很多选取最佳参数的方法中是很常见的，通过找到惯性（簇内平方和）的转折点来找到最佳k值

代码实例

from sklearn.cluster import KMeans