1.k-means應用場景：
k-means演算法通常可以應用於維數、數值都很小且連續的資料集，比如：從隨機分布的事物集合中將相同事物進行分組。
具體可參考：
2.k-means演算法原理：
k-means演算法是根據資料點之間的歐氏距離進行聚類的，是一種無監督學習演算法，步驟要點是：
選擇乙個聚類數k，迭代次數n
隨機選擇k個點作為初始簇中心
計算周圍節點與這k個點的歐式距離，距離近的加入該點形成的簇，得到初始簇
對初始簇計算質心，作為下一輪簇中心，再進行聚類，然後再計算質心
重複之心第4步，直到迭代次數結束，形成最終簇和最終簇中心。
1）對匯入的資料進行格式轉化
由於k-means演算法根據歐式距離判斷資料點歸屬哪個類，故需要將資料轉化成數值型。若存在字元形式的，需先轉化成因子型，再轉化為數值型。
2）對資料做標準化處理
資料之間量綱不一致導致資料無法對比，需要進行標準化處理，使用scale（）函式將資料標準化為均值是0，方差是1的資料。
3）載入相關聚類包
一定要設定隨機數種子，因為k-means最開始是隨機找初始簇中心。
set.seed(123)
4）驗證資料是否是高度可聚合
若輸出值<0.5，則表示該資料是高度可聚合的。
5）輸出最優聚類數
6）進行k-means聚類
7）模型評估
8）結果解析
機器學習 K Means演算法
簡介 又叫k 均值演算法，是非監督學習中的聚類演算法。基本思想 k means演算法比較簡單。在k means演算法中，用cluster來表示簇 容易證明k means演算法收斂等同於所有質心不再發生變化。基本的k means演算法流程如下 選取k個初始質心 作為初始cluster，每個初始clus...
spark機器學習之KMeans演算法實現
一 概念 kmeans基於劃分的聚類方法 給定資料樣本集sample和應該劃分的類書k，對樣本資料sample進行聚類，最終形成k個聚類，其相似的度量是某條資料與中心點的 距離 距離可分為絕對距離 歐氏距離 閔可夫斯基距離。這裡說的距離是歐式距離，歐氏距離也稱歐幾里得距離，它是在m維空間中兩個點之間...
機器學習 K Means演算法應用
import matplotlib.pyplot as plt from sklearn.datasets.samples generator import make blobs 聚類資料測試工具 在sklearn中，隨機生成1000個樣本，每個樣本2個特徵，共4個簇，簇中心在 1,1 0,0 1,...