机器学习之K均值聚类算法

K均值聚类算法介绍

我们来介绍K均值聚类算法，首先读者要知道，聚类是一类无监督的学习，它将相似的对象归到同一个簇中。簇内的数据越相似，则聚类效果越好。无监督学习是指没有事先标记好训练集的类型。聚类和分类都是对记录进行分组；但分类则有预先定义的类别。

K均值聚类算法其实很简单，就如上图所述，我们紧接着就引出K均值聚类的算法。

K均值聚类算法的优点就是算法简单，读者在上面也看到了；而它的缺点是：可能收敛到局部最小值，在大规模数据集上收敛较慢。K均值聚类适应的数据类型是，数值型数据。直观上看，K均值聚类算法的结果就是这样的：

K均值聚类算法的实现

在普遍的算法实现中，我们都可以按照以下流程了进行：
K-均值聚类的一般流程

(1) 收集数据：使用任意方法。 
(2) 准备数据：需要数值型数据来计算距离，也可以将标称型数据映射为二值型数据再用
于距离计算。 
(3) 分析数据：使用任意方法。 
(4) 训练算法：不适用于无监督学习，即无监督学习没有训练过程。 
(5) 测试算法：应用聚类算法、观察结果。可以使用量化的误差指标如误差平方和（后面
 会介绍）来评价算法的结果。 
(6) 使用算法：可以用于所希望的任何应用。通常情况下，簇质心可以代表整个簇的数据
来做出决策。 

导入数据

def loadDataSet(fileName):      #general function to parse tab -delimited floats
    dataMat = []                #assume last column is target value
    fr = open(fileName)
    for line in fr.readlines():
        curLine = line.strip().split('\t')
        fltLine = list(map(float,curLine)) #map all elements to float()
        dataMat.append(fltLine)
    return dataMat

计算欧式距离

def distEclud(vecA, vecB):
    return sqrt(sum(power(vecA - vecB, 2))) #la.norm(vecA-vecB)

产生随机质心

def randCent(dataSet, k):
    n = shape(dataSet)[1]
    centroids = mat(zeros((k,n)))#create centroid mat
    for j