k均值聚类算法优缺点_机器学习基础-K 均值聚类

什么是聚类？

本次分享聚类中最常用的方法，K-means

所谓聚类，就是将对象，按照某种属性进行划分，使得同种类别之间有较高相似性，不同类别有较大区分。

在机器学习领域，属于无监督模型，像之前的线性回归，逻辑回归，决策树均是有监督学习，聚类是无监督学习，只要根据有没有目标作为参照学习就可以区分。

所以聚类算法，若要达到我们想要的目的，特征的选择及相似性的度量标准，将是十分重要，也是十分考究功底的。

常用距离公式

我们用距离公式衡量相似性，常用的距离公式包括：闵科夫斯基距离(Minkowski distance)、余弦距离(Cosine Similarity)、马氏距离(Mahalanobis Distance)、KL散度(KL divergence)

1.闵科夫斯基距离(Minkowski distance)

当p=1时，闵科夫斯基距离即曼哈顿距离(Manhattan distance)

当p=2时，闵科夫斯基距离即欧式距离(Euclidean distance)

当p→∞时，闵科夫斯基距离即切比雪夫距离(Chebyshev Distance)

2.余弦距离(Cosine Similarity)</