Python机器学习之K-means

K-means原理

K-means算法解决的问题是：在不知道如何分类的情况下，让程序根据距离的远近，把N个对象划分为k类（局部最优）。它是无监督算法中较常见的一种，原理比较简单易懂。本质就是通过循环，迭代类的中心点，计算每个对象到中心点的距离，根据距离重新分类。

K-means步骤如下：

1.指定聚类的个数k；
2.随机选定k个对象作为聚类中心；
3.计算每个对象到这k个聚类中心的距离，并将其进行分类：分到距离最近的聚类中心；
4.重新计算每个聚类的中心（求均值），得到新的聚类中心；
5.重复3和4，直到满足迭代终止条件；
终止条件一般为：①迭代次数达到上限；②聚类中心点不发生变化或没有对象被分配给新的类；③误差平方和局部最小。
K-means算法使用：
1.导包from sklearn.cluster import KMeans
2.sklearn.cluster.KMeans(n_clusters=8,init=‘k-means++’)，其中
n_clusters是开始的聚类中心数量，init是初始化方法,默认为’k-means++’

性能评估

此处介绍的是轮廓系数法：
$$S$$