k-均值演算法是聚類演算法，非監督式機器學習演算法
什麼是聚類：
把本身不存在類別標籤的資料，將資料物件集合按照相似性劃分成多個子集的過程，每個自己是乙個簇（cluster），簇和簇之間的差別比較大，使得簇中的物件彼此相似，但與其他簇中的物件不相似
分類：有監督學習，通過有標籤樣本學習分類器
聚類：無監督學習，通過觀察學習，將資料分割成多個簇
劃分方法：
啟發式劃分方法：即要求簇內的物件盡可能地緊湊，簇和簇之間地距離盡可能地有差異
\(e = \sum_^\sum_}\left ( d\left ( p,c_\right )\right )^\)
表示資料有k個簇，對於每個簇，\(c_\)是簇的中心，我們要求每個簇裡面的每個點\(p\)，\(p\)到本簇的中心\(c_\)的距離盡可能地小，即\(d\left ( p,c\right )\)盡可能小，越**明這個簇就越緊湊，所以\(e\)值越小越好
綜上：\(k\)均值演算法地特點就是，對於\(k\)個簇，每個簇用該簇物件的均值來表示，是一種基於質心的技術。
注意：\(k\)均值演算法只適用於發現球狀的簇，對於凹狀的簇，\(k\)均值演算法是無能為力的。
\(k\)均值演算法的工作流程：
對於\(k\)均值演算法，在演算法剛啟動的時候，要先定乙個侷促的數目
那麼聚簇的數目\(k\)怎麼定呢？有很多方法，這裡先介紹乙個：
我們可以先畫散點圖，通過散點圖看一下大致可以分為幾個類
上圖中的兩種藍色的點，可以大致聚為兩類，我們就可以事先定\(k = 2\)
有了聚類的個數後，隨機的在我們的資料裡面隨機選擇兩個點作為均值點，比如我們上圖中的兩個紅點
選定均值點後，計算資料中的點到選定的均值點的距離，離哪個均值點近就認為它屬於哪個均值點裡面的哪個簇，這樣我們就可以得到兩個簇：
分成兩個簇後，這兩個簇他們的均值要有所調整
比如我們看深藍色的4個點，這4個點的均值在哪呢，二維資料的均值，我們可以計算橫軸乙個均值，縱軸乙個均值，以此來我就可以計算這個聚簇的新的乙個均值點
均值調整後就要重新計算所有資料點到這兩個均值點之間的距離，離哪個均值點近就認為它屬於哪個均值點裡面的哪個簇，這樣我們就可以得到兩個新簇：
繼續調整均值點：
繼續重新聚簇：
可以發現這個圖就是我們上面的第二個圖。
也就是說\(k\)均值演算法達到了乙個差不多收斂的、穩定的狀態，即均值點基本上不怎麼變化了。
K 均值演算法
動態聚類方法是模式識別中一種普遍採用的方法，它具有以下3個要點 1 選定某種距離度量作為樣本間的相似性度量 2 確定某個評價聚類結果質量的準則函式 3 給定某個初始分類，然後用迭代演算法找出使準則函式取極值的最好的聚類結果 k means演算法 輸入 聚類個數k，以及包含 n個資料物件的資料庫。輸出...
K均值演算法
假設需要聚成k個類 演算法先會隨機從資料集中選取k個點，把他們當做k個聚類的中心點 依次計算資料集中的每乙個點與各個中心點的距離，離哪個中心點近，就劃分到那個中心點對應的聚類下 計算分到同一類簇下，所有點的均值，更新中心點，重複 直至達到迭代結束條件 import numpy as np impor...
k均值演算法
1 撲克牌手動演練k均值聚類過程 30張牌，3類 實驗總牌數為30，分三類進行三輪迭代。第一輪 抽取聚類中心為 3 4 7.聚類結果為 第二輪 經過求平均後，重新確定聚類中心為 2 4 10 第三輪 對上類再進行求平均，選定聚類中心為2 5 10 最終聚類中心穩定在2 5 10，以此為小中大劃分。2...