K-means聚类算法

无监督学习

无监督学习的输入数据没有被标记，也没有确定的结果，需要让计算机根据样本间的相似性对样本集进行分类。

K-means聚类算法是无监督的算法

聚类

• 聚类是无监督的算法

• 聚类是不知道该数据集包含多少类，将数据集中相似的数据归纳在一起

• 聚类算法中，待分析的数据同时处理，来一堆数据过来，同时给分成几小堆

K-means算法

在聚类问题中，“簇”（Cluster）是一个处于核心位置的概念，只要涉及聚类问题，“簇”就一定会出现。聚类问题就是把一个个离散的样本数据点汇聚成一个个的簇，核心思想就是“合并同类项”。

K-means聚类算法的聚类过程，可以看成是不断寻找簇的质心的过程，这个过程从随机设定K个质心开始，直到找到K个真正质心为止。

K-means算法的步骤：

1. 随机选取K个对象，以它们为质心

2. 计算数据集到质心的距离

3. 将对象划归（根据距离哪个质心最近）

4. 以本类内所有对象的均值重新计算质心，完成后进行第二步

5. 类不再变化后停止

质心计算过程：

假设一个簇中有三个数据点，分别为[2,2]、[3,3]和[3,2]，在坐标轴上的图像大致呈直角三角形的三个顶点排列

质心的坐标需要包括X轴和Y轴两项坐标值，X轴的坐标值为3个样本点X轴的均值，也就是(2+3+3)/3≈2.667，Y轴的坐标为3个样本点Y轴均值(2+3+2)/3≈2.333 ，质心的坐标为[2.667,2.333]，通过均值方法计算出来的质心，大概处于该簇的中心位置

K-means算法步骤

1. 随机选取K个样本数据点，以它们为质心（K=2）

2. 计算数据集到质心的距离，将对象划归（根据距离哪个质心最近）

3. 以本类内所有对象的均值重新计算质心

4. 重复步骤 2 和步骤 3，直至群组成员不再发生变化

K-means算法实现

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.cluster import KMeans
#导入pandas库、划分训练集和测试集方法、K-means聚类算法
 
df=pd.read_excel("data.xlsx")
#读取数据表
#聚类算法不需要标签，也不用划分训练集和测试集
 
kms = KMeans(n_clusters=4)
#数据分为4类，y对应有4个值
kms.fit(df)
#训练数据

label = kms.labels_
print(label)
#输出聚类生成的标签

data数据集部分截图

data数据集中有9个特征，2万多条数据，最后的输出结果为

[1 1 2 ... 2 0 3]