肘方法确定聚类数k_机器学习｜K-means聚类（附面试避坑指南）

本文目录

0 聚类算法概述

1 K-means聚类算法

2 常见面试题

2.1 简述K-means聚类算法的执行过程

2.2 分析K-means聚类算法中的K如何取值

2.3 K-means算法有哪些优缺点？有哪些改进的模型？

0 聚类算法概述

聚类算法又叫做“无监督分类”，其目的是将数据划分成有意义或有用的组(或簇)。这种划分可以基于我们的业务需求或建模需求来完成，也可以单纯地帮助我们探索数据的自然结构和分布。比如在商业中，如果我们手头有大量的当前和潜在客户的信息，我们可以使用聚类将客户划分为若干组，以便进一步分析和开展营销活动，最有名的客户价值判断模型RFM，就常常和聚类分析共同使用。再比如，聚类可以用于降维和矢量量化(vector quantization)，可以将高维特征压缩到一列当中，常常用于图像，声音，视频等非结构化数据，可以大幅度压缩数据量。

聚类算法和分类算法的区别：

常用聚类算法的简单介绍：

• K-means聚类:也称为K均值聚类，它试图发现k(用户指定个数)个不同的簇 ，并且每个簇的中心采用簇中所含值的均值计算而成。
• 层次聚类:层次聚类(hierarchical clustering)试图在不同层次对数据集进行划分，从而形成树形的聚类结构。
• DBSCAN:这是一种基于密度的聚类算法，簇的个数由算法自动地确定。低密度区域中的点被视为噪声而忽略，因此DBSCAN不产生完全聚类。

1 K-means 聚类算法

KMeans算法将一组N个样本的特征矩阵X划分为K个无交集的簇，直观上来看是簇是一组一组聚集在一起的数据，在一个簇中的数据就认为是同一类。簇就是聚类的结果表现。

簇中所有数据的均值