推荐算法-聚类-K-MEANS

    对于大型的推荐系统，直接上协同过滤或者矩阵分解的话可能存在计算复杂度过高的问题，这个时候可以考虑用聚类做处理，其实聚类本身在机器学习中也常用，属于是非监督学习的应用，我们有的只是一组组数据，最终我们要把它们分组，但是前期没有任何的先验知识告诉我们那个点是属于那个组的。

    当我们有足够的数据的时候可以考虑先用聚类做第一步处理，来缩减协同过滤的选择范围，从而降低复杂度。

    对了还想起来机器学习里面也经常用聚类的方式进行降维。这个在机器学习笔记部分后期我会整理。

    最终，每个聚类中的用户，都会收到为这个聚类计算出的推荐内容。聚类的话也有很多种方法时间，今天是整理最简单的那个姿势：K-MEANS

    K-MEANS聚类算法是非常常用的聚类算法。它出现在很多介绍性的数据科学和机器学习课程中。在代码中很容易理解和实现！

1. 首先，选择一些类/组来使用并随机地初始化它们各自的中心点。要想知道要使用的类的数量，最好快速地查看一下数据，并尝试识别任何不同的分组。中心点是与每个数据点向量相同长度的向量，在上面的图形中是“X”。
2. 每个数据点通过计算点可每个组中心之间的距离进行分类，然后将这个点分类为最接近它的组。