聚类方法学习（二）KMeans算法与案例

kmeans简介

kmeans直观感受就是自动画圈，通过画圈自动聚类

算法优缺点

优点：

1. 收敛速度快
2. 需要的参数少

缺点：

1. K值的选择较难
2. 初始点的随机种子对结果影响很大
3. 对异常值敏感
4. 可能只能得到局部的最优解，而无法得到全局的最优解

kmeans算例

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

X = np.random.random((100, 4))
X = StandardScaler().fit_transform(X)
plt.scatter(X[:, 0], X[:, 1], marker='.', edgecolors='white')
plt.show()

k_means = KMeans(n_clusters=5, n_init=12)
k_means.fit(X)

k_means_labels = k_means.labels_
print(k_means_labels)  # 聚类后的标签

k_means_cluster_centers = k_means.cluster_centers_
print(k_means_cluster_centers) # 聚类中心的坐标

参考资料

sklearn API：https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html