聚类算法

概念：

一种典型的无监督学习算法，主要用于将相似的样本自动归于一个类别中，对于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式距离法

步骤 ：

     1.设定聚类个数K的值（通过肘部法确定，或根据实际要聚的类数确定）

      2.生成K个聚类中心点

      3.计算所有样本到聚类中心点的距离，根据远近聚类

      4.更新质心，迭代聚类

      5.重复第四步直到满足聚类要求（通常就是确定的中心点不在改变）

方法1：K-means

函数说明：

https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html#sklearn.cluster.KMeans

sklearn中K-means有三种初始化中心点的方法：通过init指定，默认‘k-means++’

‘k-means++’ : 选择距离最远的点最为初始中心点

‘random’: 随机选择

 ndarray ：给点初始中心点

方法2：小批量 K-Means——适用于数据量较大的情况

方法3：K-medoids(k-中心聚类算法)