Spark 聚类算法 ---- kmeans 简介，源码分析

---

聚类与分类是数据挖掘中常用的两个概念，它们的算法和计算方式 有所交叉和区别。一般来说分类是指有监督的学习，即要分类的样本是 有标记的，类别是已知的；聚类是指无监督的学习，样本没有标记，根 据某种相似度度量把样本聚为k类。

聚类，顾名思义就是把一组对象划分成若干类，并且每个类中对象 之间的相似度较高，不同类中对象之间相似度较低或差异明显。聚类是 无监督学习的一种。 聚类的目的是分析出相同特性的数据，或样本之间能够具有一定的 相似性，即每个不同的数据或样本可以被一个统一的形式描述出来，而 不同的聚类群体之间则没有此项特性。 聚类与分类有着本质的区别，一个属于无监督学习，而一个属于有 监督学习。监督学习的意思是指，有着特定的目标或者明确的区别，即 人为可分辨。无监督学习则没有特定的规则和区别。 聚类与分类的不同之处在于，聚类算法在工作前并不知道结果如 何，不会知道最终将数据集或样本划分成多少个聚类集，每个聚类集之 间的数据有何种规则。聚类的目的在于发现数据或样本属性之间的规律，可以通过何种函数关系式进行表示。

聚类的要求是统一聚类集之间相似性最大，而不同聚类集之间相似 性最小。

聚类分析计算方法主要有如下几种：

• 划分算法
• 层次算法
• 密度算法
• 图论聚类法
<