kmeans聚类目的干什么的_零基础学习Kmeans聚类算法的原理与实现过程

内容导入：

聚类是无监督学习的典型例子，聚类也能为企业运营中也发挥者巨大的作用，比如我们可以利用聚类对目标用户进行群体分类，把目标群体划分成几个具有明显特征区别的细分群体，从而可以在运营活动中为这些细分群体采取精细化、个性化的运营和服务；还可以利用聚类对产品进行分类，把企业的产品体系进一步细分成具有不同价值、不同目的的多维度的产品组合，在此基础分别制定和相应的开发计划、运营计划和服务规划。这都将提升运营的效率和商业效果。

聚类方法分为基于划分的聚类、基于层次的聚类、基于密度的聚类、基于网络的聚类、基于模型的聚类以及基于模糊的聚类，今天我们就从基于划分的聚类开始讲解聚类算法，什么是基于划分的聚类呢？其原理即需要将一堆散点进行聚类，聚类目标是“类内的点足够近，类间的点足够远”，而你需要做的就是(1)确定聚类数目;(2)挑选初始中心点;(3)迭代重置中心点直到满足“类内的点足够近，类间的点足够远”,典型的基于划分的聚类就是K-means算法。

K-means算法流程

经典的K-means算法

假设要将无标签数据集：

聚成k个簇C1,C2,…, Ck，最小化损失函数：

但是完成这个过程需要遍历所有可能的簇划分，这将带来大量的计算，而K-means是利用贪心策略求得近似解的方法，经典K-means算法流程如下：

（1）随机地选择k个对象，每个对象初始地代表了一个簇的中心；

（2）对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；

（3）重新计算每个簇的平均值，更新为新的簇中心；

（4）不断重复2、3，直到达到某个终止条件。

这个终止条件可以是：没有（或最小数目）对象被重新分配给不同的聚类、没有（或最小数目）聚类中心再发生变化、误差平方和局部最小。

K-means算法的改进K-means++算法

因K-means算法的聚类结果会受到初始点的的选取的影响，有人提出了K-means++改进了初始点的选取过程：

（1）随机选取一个样本点作为第一个聚类中心

（2）计算每个样本点与当前已有聚类中心的最短距离,即: