unsupervised learning （非監督學習） ，只有特徵值，沒有目標值
聚類： 主要方法 - k-means （k - 需要分成的類別數）
隨機設定k個特徵空間內的點作為初始的聚類中心 （紅，綠，藍） k=3 (給定）
對於其他每個點計算到k個中心的距離，未知的點選擇最近的乙個聚類
中心點作為標記類別,形成3個族群
分別計算這3個族群的平均值，把三個平均值與之前的三個舊中心進行比較。如果相同則結束聚類，如果不相同，把這三個平均點當做新的中心點，重複第二步。
注：對於每個點
03 非監督學習演算法k means原理及案例
from sklearn.decomposition import pca import pandas as pd from sklearn.cluster import kmeans from matplotlib import pyplot as plt from sklearn.metrics...
KMeans原理 調參及應用
一 前言 kmeans是資料探勘十大演算法之一，在資料探勘實踐中，我們也常常將kmeans運用於各種場景，因為它原理簡單 易於實現 適合多種資料探勘情景。二 原理 kmeans的原理較為簡單 以某種相似性度量為標準，確定樣本的結構，即樣本屬於哪乙個簇取決於該樣本與哪乙個簇的中心點最相似。演算法步驟如...
k Means聚類原理及實現
吸收天地之精華，為了完成對資料聚類的任務，廣泛查閱各種資料，現總結如下 聚類分析是沒有給定劃分類別的情況下，根據樣本相似度進行樣本分組的一種方法，是一種非監督的學習演算法。聚類的輸入是一組未被標記的樣本，聚類根據資料自身的距離或相似度劃分為若干組，劃分的原則是組內距離最小化而組間距離最大化，如下圖所...