【学习笔记】K-means算法

1、 K-means原理

我们先来看一下一个K-means的聚类效果图

1.1 K-means聚类步骤

1. 随机设置K个特征空间内的点作为初始的聚类中心
2. 对于其他每个点计算到K个中心的距离，未知的点选择最近的一个聚类中心点作为标记类别
3. 接着对着标记的聚类中心之后，重新计算出每个聚类的新中心点（平均值）
4. 如果计算得出的新中心点与原中心点一样，那么结束，否则重新进行第二步过程
   我们以一张图来解释效果
   

2、K-meansAPI

sklearn.cluster.KMeans(n_clusters=8,init=‘k-means++’) k-means聚类
n_clusters:开始的聚类中心数量
init:初始化方法，默认为’k-means ++’
labels_:默认标记的类型，可以和真实值比较（不是值比较）

3、总结：

优缺点总结：
特点分析：采用迭代式算法，直观易懂并且非常实用
缺点：容易收敛到局部最优解(多次聚类)