聚类分析 - K-means - Python代码实现

算法简介

K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

算法过程如下：

1）从N个文档随机选取K个文档作为中心点；

2）对剩余的每个文档测量其到每个中心点的距离，并把它归到最近的质心的类；

3）重新计算已经得到的各个类的中心点；

4）迭代2～3步直至新的质心与原质心相等或小于指定阈值，算法结束。

 

算法优缺点：

优点：

1. 对处理大数据集，该算法保持可伸缩性和高效性
2. 算法快速、简单，易于理解;

缺点：

1. 在 K-means 算法中 K 是事先给定的，这个 K 值的选定是非常难以估计的，具体应用中只能靠经验选取；
2. 对噪声和孤立点数据敏感，导致均值偏离严重；
3. 当数据量非常大时，算法的时间开销是非常大的；
4. 初始聚类中心的选择对聚类结果有较大的影响，一旦初始值选择的不好，可能无法得到有效的聚类结果。

---