”物以類聚，人以群分“！這句話的核心思想就是聚類！聚類是典型的無監督學習方法。不同于分類，分類是有監督學習，樣本都有標簽，分類模型重點考查的是模型的泛化能力，而聚類是按要求給樣本加標簽，重點考查模型聚類的效果，通常無訓練集與測試集的劃分。什么是聚類？所謂數據聚類是指根據數據的內在性質將數據分成一些聚合類，每一聚合類中的元素盡可能具有相同的特性，不同聚合類之間的特性差別盡可能大。聚類分析的目的是分析數據是否屬于各個獨立的分組，使一組中的成員彼此相似，而與其他組中的成員不同。它對一個數據對象的集合進行分析，但與分類分析不同的是，所劃分的類是未知的，因此，聚類分析也稱為無指導或無監督(Unsupervised)學習。聚類分析的一般方法是將數據對象分組為多個類或簇(Cluster)，在同一簇中的對象之間具有較高的相似度，而不同簇中的對象差異較大。由于聚類分析的上述特征，在許多應用中，對數據集進行了聚類分析后，可將一個簇中的各數據對象作為一個整體對待。數據聚類 (Cluster analysis) 是對于靜態數據分析的一門技術，在許多領域受到廣泛應用，包括機器學習，數據挖掘，模式識別，圖像分析以及生物信息。在物聯網時代，傳感器的數據比牛毛還多。作為數據分析中的主要手段——聚類肯定派的上用場。那就在大學先打下堅實的基礎吧！

聚類有哪幾種方法？

常用的聚類方法有：K-Means，AgglomerativeClustering，DBSCAN，MeanShift，SpectralClustering等。這里介紹其中的幾個聚類分析算法。

K-Means

K-均值聚類也稱為快速聚類法，在最小化誤差函數的基礎上將數據劃分為預定的類數K。該算法原理簡單并便于處理大量數據。本系列文章將展示算法程序！

K-中心點

K-均值算法對孤立點的敏感性，K-中心點算法不采用簇中對象的平均值作為簇中心，而選用簇中離平均值最近的對象作為簇中心。

系統聚類

也稱為層次聚類，分類的單位由高到低呈樹形結構，且所處的位置越低，其所包含的對象就越少，但這些對象間的共同特征越多。該聚類方法只適合在小數據量的時候使用，數據量大的時候速度會非常慢。

K-means方法！

這是本文講解的重點！先來看這種方法的原理和步驟！

1）從數據集中隨機抽取k個樣本作為初始聚類的中心，由這個中心代表各個聚類。

2）計算數據集中所有的樣本到這k個中心點的距離（哪幾種距離），并將樣本點歸到離其最近的聚類里。

3）將聚類的中心點移動到各類的幾何中心（即平均值）處。

4）重復第2步直到聚類的中心不再移動，此時算法收斂或者迭代的次數達到上限。

推薦一本好書！在這方面講的非常好！照片為證！

仔細看看！

距離！

將樣本點分到距離聚類中心最近的那個簇中需要最近鄰的度量策略，在歐式空間中采用的是歐式距離，在處理文檔中采用的是余弦相似度函數，有時候也采用曼哈頓距離作為度量，不同的情況使用的度量公式是不同的。

原文標題：大學課程 數據分析 實戰之K-means算法（1）理論講解

文章出處：【微信公眾號：通信工程師專輯】歡迎添加關注！文章轉載請注明出處。