全方位解读机器学习经典算法——聚类算法（K-means）

算法原理

1. 算法解析：

聚类算法是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到一个类别中，对于不同的相似度计算方法会得到不同的聚类结果，常用的相似度计算法有欧氏距离法

聚类算法与分类算法的最大区别：

聚类算法是无监督的学习算法，而分类算法属于有监督（有标签）的学习算法

1. 1 K-means算法

K：初始中心点个数（计划聚类数），means :求中心点到其他数据点距离的平均值

K-meas算法的流程：

1.选择聚类的个数K

2.生成K个聚类中心点

3.计算所有样本点到聚类中心的距离，根据远近聚类

4.更新质心，迭代聚类

5.重复第4步直到满足收敛要求（通常就是确定的中心点不再改变）

由于每次都要计算所有的样本与每一个质心之间的相似度，故在大规模的数据集上，K-meas算法的收敛速度比较慢