域名备案的网站名称指数工具

前言：Hello大家好，我是小哥谈。聚类算法是一种无监督学习方法，它将数据集中的对象分成若干个组或者簇，使得同一组内的对象相似度较高，不同组之间的对象相似度较低。聚类算法可以用于数据挖掘、图像分割、文本分类等领域。常见的聚类算法包括K-Means、层次聚类、DBSCAN、AP聚类、谱聚类等。本节课就简单介绍k-means聚类算法！~🌈

前期回顾：

               第2篇 机器学习基础 —（1）机器学习概念和方式

               第2篇 机器学习基础 —（2）分类和回归

               第2篇 机器学习基础 —（3）机器学习库之Scikit-Learn

              目录

🚀1.什么是聚类

🚀2.K-Means聚类算法

🚀3.K-means聚类优缺点

🚀4.聚类数据生成器

🚀1.什么是聚类

聚类算法是一种无监督学习方法，它将数据集中的对象分成若干个组或者簇，使得同一组内的对象相似度较高，不同组之间的对象相似度较低。聚类算法可以用于数据挖掘、图像分割、文本分类等领域。常见的聚类算法包括K-Means、层次聚类、DBSCAN、AP聚类、谱聚类等。其中，K-Means是一种基于距离的聚类算法，层次聚类是一种基于树形结构的聚类算法，DBSCAN是一种基于密度的聚类算法，AP聚类是一种基于相似度传播的聚类算法，谱聚类是一种基于图论的聚类算法。每种聚类算法都有其适用的场景和优缺点。

说明：♨️♨️♨️

聚类类似于分类，不同的是聚类所要求划分的类是未知的，也就是说不知道应该属于哪类，而是通过一定的算法自动分类。在实际应用中，聚类是一个将数据集中在某些方面相似的数据中，并进行分类组织的过程（简单地说，就是将相似数据聚在一起）。

聚类的主要应用领域：

商业：聚类分析被用来发现不同的客户群，并且通过购买模式刻画不同客户群的特征。

生物：聚类分析被用来对动植物分类和对基因进行分类，获取对种群固有结构的认识。

保险行业：聚类分析通过一个高的平均消费来鉴定汽车保险单持有者的分组，同时根据住宅类型、价值和地理位置来判断一个城市的房产分组。

因特网：聚类分析被用来在网上进行文档归类。

电子商务：聚类分析在电子商务网站建设数据挖掘中也是很重要的一个方面，通过分组聚类出具有相似浏览行为的客户，并分析客户的共同特征，可以更好地帮助电商了解自己的客户，向客户提供更合适的服务。

等等......🍉 🍓 🍑 🍈 🍌 🍐

---

🚀2.K-Means聚类算法

K-Means是一种常见的聚类算法，它的目标是将数据集分成K个簇，使得同一簇内的数据点相似度较高，不同簇之间的相似度较低。K-Means算法的基本思路是随机选择K个中心点，然后将每个数据点分配到距离最近的中心点所在的簇中，接着重新计算每个簇的中心点，重复以上步骤直到簇不再发生变化或达到预设的迭代次数。K-Means算法的优点是简单易懂，计算速度快，但是需要预先指定簇的数量K，且对于不同的初始中心点选择可能会得到不同的聚类结果。

k-means 算法是一种无监督学习算法，目的是将相似的对象归到同一个簇中。簇内的对象越相似，聚类的效果就越好。传统的聚类算法包括划分方法、层次方法、基于密度方法、基于网格方法和基于模型方法。本节主要介绍K-means 聚类算法，它是划分方法中较典型的一种，也可以称为k均值聚类算法。

说明：♨️♨️♨️

K-means聚类也称为k均值聚类，是著名的划分聚类的算法，由于简洁性和高效率，使得它成为所有聚类算法中应用最为广泛的一种。k均值聚类是给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法将根据某个距离函数反复把数据分入k个聚类中。

K-Means聚类流程：

随机选取k个点作为初始质心（质心即簇中所有点的中心），然后将数据集中的每个点分配到一个簇中。具体来说，为每个点找距其最近的质心，并将其分配给该质心所对应的簇。这一步完成之后，每个簇的质心更新为该簇所有点的平均值。这个过程将不断重复直到满足某个终止条件。

终止条件可以是以下中的任何一个：

1. 没有（或最小数目）对象被重新分配给不同的聚类。
2. 没有（或最小数目）聚类中心再发生变化。
3. 误差平方和局部最小。

通过以上介绍，相信您对K-means聚类算法已经有了初步的认识，而在Python中应用该算法无需手动编写代码，因为Python的第三方模块Scikit-Learn已经帮我们写好了，在性能和稳定性上会好得多，只需在程序中调用即可，没必要自己造轮子。

关于Scikit-Learn的介绍及应用，请参考文章：

第2篇 机器学习基础 —（3）机器学习库之Scikit-Learn

---

🚀3.K-means聚类优缺点

K-means是一种常用的聚类算法，其优缺点如下：

优点：

1. 原理简单，容易实现。
2. 可解释度较强。
3. 可以通过加速算法来提高效率。
4. 具有良好的可扩展性，适用于大规模数据集。
5. 聚类效果较好，适用于一些简单的数据集。

缺点：

1. K值很难确定。
2. 容易陷入局部最优解。
3. 对噪音和异常点敏感。
4. 需要样本存在均值，限定数据种类。
5. 聚类效果依赖于聚类中心的初始化。
6. 对于非凸数据集或类别规模差异太大的数据效果不好。

---

🚀4.聚类数据生成器

Scikit-Learn 中的make_blobs方法用于生成聚类算法的测试数据，直观地说，make_blobs 方法可以根据用户指定的特征数量、中心点数量、范围等来生成几类不同的数据，这些数据可用于测试聚类算法的效果。

make_blobs 方法的语法如下：

sklearn.datasets.make_blobs(n_samples=100,n_features=2,centers=3,cluster_std=1.0,center_box=(-10.0,10.0),shuffle=True,random_state=None)

常用参数说明：

n_samples：待生成的样本的总数。

n_features：每个样本的特征数。

centers：类别数。

cluster_std：每个类别的方差。例如，生成两类数据，其中一类比另一类具有更大的方差，可以将cluster_std 参数设置为[1.0,3.0]。

举例：

生成用于聚类的数据（500 个样本，每个样本中含有2 个特征），程序代码如下：

from sklearn.datasets import make_blobs
from matplotlib import pltx,y = make_blobs(n_samples=500, n_features=2, centers=3)

接下来，通过K-Means 方法对测试数据进行聚类，形成散点图，程序代码如下：

from sklearn.cluster import KMeansy_pred = KMeans(n_clusters=4, random_state=9).fit_predict(x)
plt.scatter(x[:, 0], x[:, 1], c=y_pred)
plt.show()

运行程序，效果如下图所示：

从分析结果得知：相似的数据聚在一起，分成了4堆，也就是4类，并以不同的颜色显示，看上去更加清晰直观。✅

---