kmeans

Kmeans算法是在机器学习中常用的聚类算法，能够对一些杂乱无章的数据进行聚类，从而形成一个个比较近似的群体。本文主要介绍Kmeans的基本原理以及实现方法。

上图a中是一系列杂乱无章的数据，目的是对这些数据可以进行聚类，根据距离得到距离较近的群体，从图a中就可以用肉眼看出，左下面是一个群体，右上面是一个群体，如果可以通过kmeans算法分出肉眼的结果，那么该kmeans算法是比较令人满意的。

图b中随机选取了两个点，这两个数量就是kmeans中的k，这个k的选取需要进行评估，该k的选取对聚类后的效果影响较大，因为杂乱无章的数据能够分为多少个群体是没法得知的，可以通过抽取样本集等方法来进行人为评估和校验。这里也可以通过一些实际特征来划分，比如要对收入对所有用户进行分群，比如月入1万以下一类，1万到两万一类，2万到3万一类，三万以上一类等，这样的划分可以 让结果能符合人们的预期，即便可能最好的分类结果是一千以下是一类，一千到五千是一类，五千以上是一类等。

图c是每个点都跟聚类中心求距离，哪个距离最近，就分到哪一类中，从图中可以看出，以左下和右上的对角线对数据进行了划分，分为了两类。

图d是对分好的类进行类内部求平均值，也就是kmeans算法的means过程，求到平均值后，平均值就是新的聚类中心。迭代图b和图c的过程。

图e是得到的新的聚类结果。

多次迭代以后，发现聚类中心已经不再变化了，形成了一个收敛的状态，那么就完成了一个聚类过程。