Udacity机器学习入门——聚类Clustering

非监督学习：聚类、降维

聚类：K-means

1.随意画出聚类中心

2.分配

3.优化

连接集群中心，画等距垂直于两集群连线的线

优化：移动中心

再分配，再优化········直至两个类的正确中心位置

很有意思的k-means可视化工具 http://www.naftaliharris.com/blog/visualizing-k-means-clustering/

聚类算法 http://scikit-learn.org/stable/modules/clustering.html

k-means http://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html

使用k-means       一开始就要确定聚类数量，工作原理各点之间的距离

n_clusters 聚类数量，默认8

max_iter 最大迭代数

n_init 控制算法的初始化次数（？？？？）

k-means局限性：对于一个固定的数据集，一个固定数量的簇中心，预测出的结果是不同的（初始聚类中心的位置决定）