机器学习之K均值聚类

K均值聚类是一种无监督学习的算法，用于将数据集划分为K个不同的簇，每个簇内的数据点彼此相似

该算法原理的基本步骤：

1. 选择簇的数量K。
2. 随机选择K个数据点作为初始簇中心。
3. 对于数据集中的每个数据点，计算其与每个簇中心的距离，分配数据点到最近的簇中。
4. 对每个簇，计算其所有数据点的均值，将这个值作为新的簇中心。
5. 然后重复步骤3和4，直到簇中心不再发生显著变化，或达到预定的迭代次数。
6. 最终簇中心的位置定义了数据集的最终簇划分。

K均值算法的目标是最小化簇内的点与簇中心之间的平方距离和。

缺点：

• 对初始数据值和异常值敏感，都可能会影响聚类的结果
• 只适用于凸形簇，对于非凸形簇效果不佳
• K均值对尺寸和密度差异较大的簇表现不好

优点：

• 简单且高效
• 易于解释
• 对于大规模数据集，可伸缩性好，因为它的计算复杂性随着数据点数量线性增长
• 适用于初始簇中心的随机选择