K-均值聚类算法

       在此之前子丰发表的机器学习算法的博文都是监督学习算法。如果大家感兴趣的话，可以查看相关博文，如：k-近邻算法、决策树、朴素贝叶斯、Logistic回归、AdaBoost元算法、回归和树回归等。

       接下来子丰会浅谈机器学习算法的另一种类型——无监督学习算法。在无监督学习中，类似监督学习中的目标变量事先并不存在，即事先并不知道要寻找的内容。监督学习讲的是“对于输入的数据X，预测目标Y是什么”；而无监督学习讲的是“从数据X中能发现什么”。

       在k-近邻算法中，子丰提到过开发机器学习应用程序的流程主要有6个步骤：收集数据、准备数据、分析输入数据、训练算法、测试算法、使用算法，但并不是每个具体的算法必须都要执行这6个步骤，如：k-近邻算法就不要执行第4步：训练算法。对于无监督学习算法，它们都不需要执行第4步：训练算法，即无监督学习没有训练过程。

       聚类是一种无监督的学习，它把相似的对象归到同一个簇中。聚类方法几乎可以应用于所有对象，簇内的对象越相似，聚类的效果越好。我们可以发现聚类和分类有点相似，但是又很不同。它们最大的不同之处是分类的目标事先已知，而聚类则没有目标。可以说聚类产生的结果和分类相同，只是类别没有预先定义，所以聚类有时也被称为无监督分类。

       K-均值聚类算法是一种聚类算法。之所以被称为K-均值是因为它可以找到k