1.1 無監督學習
本章演算法區別於之前的機器學習演算法，因為k-means演算法屬於無監督演算法。監督學習的意思是所給的訓練資料都帶有標籤，如類別等，我們在訓練演算法時，要考慮**的結果是否擬合了訓練資料中的標籤，即好像受其監督一樣，而無監督學習與監督學習的區別就在此，無監督學習的資料沒有標籤，沒有人為的分類，就只是一堆資料，我們要做的是將這堆資料以某種我們不知道的內在特性分開，自動形成幾個分類簇。
1.2 k-means工作原理
k-means聚類演算法是發現給定資料集的k個簇的演算法。簇個數k是使用者給定的，每乙個簇有乙個質心（簇的中心點）。首先隨機確定k個質心，然後將其餘點分配到離它最近的簇中，完成後再講每個簇的質心更新為簇的平均值。
1.3 衡量方法
k-means的k是乙個使用者預先定義的引數。那麼我們如何衡量用該引數生成的簇比較好呢？一種度量方法是誤差平方和（sse），sse越小表示資料點越接近它們的質心，聚類效果也越好。因為取了平方，所以更加重視遠離中心的點。
1.4 區域性最優解
有時我們的演算法會出現區域性最優解的情況，那麼怎麼解決它呢？有兩個後處理的方法，第一種是合併最近的質心，第二種是合併兩個使得sse增幅最小的質心。
2.1 工作原理
另一種克服區域性最優解的方法是二分k-means。該演算法首先將所有的點作為乙個簇，然後將該簇一分為二。之後遞迴選擇簇進行劃分，直到得到使用者指定的k值，選擇簇的標準是最大程度的降低sse的值。
優點：容易實現
缺點：可能收斂到區域性最小值（k-means），在大規模資料集上收斂較慢
K Means聚類演算法
k means聚類演算法 intergret kmeans演算法的基本思想是初始隨機給定k個簇中心，按照最鄰近原則把待分類樣本點分到各個簇。然後按平均法重新計算各個簇的質心，從而確定新的簇心。一直迭代，直到簇心的移動距離小於某個給定的值。k means聚類演算法主要分為三個步驟 1 第一步是為待聚類...
聚類演算法 K means
演算法接受引數 k 然後將事先輸入的n個資料物件劃分為 k個聚類以便使得所獲得的聚類滿足 同一聚類中的物件相似度較高 而不同聚類中的物件相似度較小。聚類相似度是利用各聚類中物件的均值所獲得乙個 中心物件 引力中心 來進行計算的。k means演算法是最為經典的基於劃分的聚類方法，是十大經典資料探勘演...
k means聚類演算法
說到聚類，得跟分類區別開來，分類是按人為給定的標準將樣本歸到某個類別中去，在機器學習中多是監督學習，也就是訓練樣本要給標籤 正確的類別資訊 而聚類是在某種規則下自動將樣本歸類，在機器學習中是無監督學習，不需要提前給樣本打標籤。k means聚類演算法，就是在某種度量方式下，將樣本自動劃分到k個類別中...