机器学习-*-K均值聚类及代码实现

KMeans聚类

在聚类算法中，最出名的应该就是k均值聚类(KMeans)了，几乎所有的数据挖掘/机器学习书籍都会介绍它，有些初学者还会将其与KNN等混淆。k均值是一种聚类算法，属于无监督学习的一种，而KNN是有监督学习/分类学习的一种。
聚类：顾名思义，就是讲某些相似的事物聚在一起，形成一个类。这里就涉及到几个概念
1.如何表示一个事物？通常我们会准备好一个数据集，里面是我们的数据，每一行代表的都是一个数据，每一列是一个数据的一种特征。比如经典的分类数据集 iris（鸢尾花数据），每一行代表的是每一朵花，每一朵花都有花萼长度，花萼宽度，花瓣长度，花瓣宽度 4个特征，即有4列特征。
2.如何度量事物间的距离？我们拿到每一个数据的特征值之后，需要根据实际情况来进行两种数据之间的计算，常用的方法是欧氏距离、马氏距离、余弦距离等。
3.按照什么样的过程进行聚类？这里就涉及到具体的算法了，目前聚类大致有几个比较流行的方法：基于划分、基于层次、基于密度、基于网络。这里的K均值就属于基于划分的方法，后续会继续写其余几种方法的代表算法。
4.如何能判断聚类过程结束呢？当每一种类别中的数据趋于稳定，即为完成聚类

KMeans过程

上图是截取别人blog中的图片(参考文献1)，这里讲的其实很清楚了。
上代码：

#!/usr/bin/python
# -*- coding:utf-8 -*-
"""
Author LiHao
Time 2018/11/26 9:21
"""
import os
import sys
import numpy as np
import scipy as sp
from sklearn.datasets import load_iris
# 欧式距离函数
from ml_learn.algorithm.distance import eculide
import matplotlib.pyplot as plt
def load_data():
    """
    导入iris标准数据集
    :return:
    """
    iris = load_iris()
    data = iris.data
    target = iris.target
    target_names = iris.target_names
    return data,target,target_names

class Group(object):
    """
    定义类簇的类 -- 后续也会使用
    """
    def __init__(self):
        self._name = ""
        self._no = None
        self._members = []
        self._center = None
    @property
    def no(self):
        return self._no
    @property
    def name(self):
        return self._name
    @name.setter
    def name(self,no):
        self._no = no
        self._name = "G"+str(self._no