K-means算法分析

主要大致介绍算法

有散点图如下所示

从图中看出，我们大致可聚成3类，N类也可

我们以3类假设，介绍大致过程

第一次迭代：

1.首先随 机取3个点，我们称之为 中心点，A,B,C

2.计算每个点到中心点的距离，如果某个点距离中心点的距离最近，我们把这个点划分到这个最近的中心点上。大致划分三个类

3.迭代3个类，通过 每个类的所有点计算出属于 该类的中心点，开始第二次进行迭代，达到效果 找出相对于属于该类的中心点修正

计算点的公式，多个也是一样

第二次迭代：

与一次相同。迭代次数越高越准确。这也是相对的

算法原理大致介绍致此。

在此我们又遇到一个新的问题， 如何选出合适的聚类数，或者说聚多少类合适

一种算法是，当聚1类时，求每个点到中心距离记作d1,聚2类时，求点到中心距离记作d2,类推,d3,d4,d5...

根据d2,d3,d4等画出散点图，人工识别的方式看，选合适的斜率。