聚类算法之Kmeans聚类详解

聚类算法是无监督学习算法，它根据样本之间的相似性，将样本划分到不同的类别中；不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧氏距离法。聚类算法的目的是在没有先验知识的情况下，自动发现数据集中的内在结构和模式。

聚类算法的分类：

• 按照聚类细粒度分类：细聚类和粗聚类

• 

• 根据实现方法分类：

  • K-means：按照质心分类，主要介绍K-means，通用、普遍

  • 层次聚类：对数据进行逐层划分，直到达到聚类的类别个数

  • DBSCAN聚类：基于密度的聚类算法

  • 谱聚类：基于图论的聚类算法

KMeans基本思路

通过计算相似度（默认欧氏距离），将相似度大的样本聚集到同一个类别，K表示聚成K个类别，means表示每个类别的聚类中心点是通过簇中所有样本点的均值得到。

KMeans算法流程：

• 事先确定常数K，K是最终的聚类类别数

• 随机选择K个样本点作为初始的聚类中心

• 计算每个样本点