1.什么是K-Means？ K均值算法聚类 关键词：K个种子，均值 聚类的概念：一种无监督的学习，事先不知道类别，自动将相似的对象归到同一个簇中 K-Means算法是一种聚类分析（cluster analysis）的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法. K-Means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大. 2.k-Means原理 每次计算距离采用的是欧式距离 步骤图： 步骤总结： 从数据中选择k个对象作为初始聚类中心; 计算每个聚类对象到聚类中心的距离来划分； 再次计算每个聚类中心 2~3步for循环，直到达到最大迭代次数，则停止，否则，继续操作。 确定最优的聚类中心 主要优点： 原理比较简单，实现也是很容易，收敛速度快。 聚类效果较优。 算法的可解释度比较强。 主要需要调参的参数仅仅是簇数k。 主要缺点： K是事先给定的，这个K值的选定是非常难以估计的。很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适。（ISODATA算法通过类的自动合并和分裂，得到较为合理的类型数目K） K-Means算法需要用初始随机种子点来搞，这个随机种子点太重要，不同的随机种子点会有得到完全不同的结果。（K-Means++算法可以用来解决这个问题，其可以有效地选择初始点） 对于不是凸的数据集比较难收敛 如果各隐含类别的数据不平衡，比如各隐含类别的数据量严重失衡，或者各隐含类别的方差不同，则聚类效果不佳。 采用迭代方法，得到的结果只是局部最优。 对噪音和异常点比较的敏感。 3.K-Means算法应用： 对于多维数据的分类，效果很好 二维坐标点的X，Y 坐标，其实是一种向量，是一种数学抽象。现实世界中很多属性是可以抽象成向量的，比如，我们的年龄，我们的喜好，我们的商品，等等，能抽象成向量的目的就是可以让计算机知道某两个属性间的距离。如：我们认为，18岁的人离24岁的人的距离要比离12岁的距离要近，鞋子这个商品离衣服这个商品的距离要比电脑要近，等等。解决实际问题比较好 4.K-Means实例-亚洲国家队足球水平分类 复制代码 1 import numpy as np 2 3 import pandas as pd 4 5 # cluster ：簇，一堆 6 # 只有分类 7 from sklearn.cluster import KMeans 8 9 import matplotlib.pyplot as plt 10 %matplotlib inline 11 12 from mpl_toolkits.mplot3d.axes3d import Axes3D 13 import warnings 14 warnings.filterwarnings('ignore') 15 16 # 2006年世界杯，2010年世界杯，2007亚洲杯，比赛数据 17 football = pd.read_csv('./AsiaFootball.txt') 18 19 X = football.iloc[:,1:] 20 21 kmeans = KMeans(n_clusters=5) 22 23 # 无监督学习 PCA也是无监督 NMF无监督 24 kmeans.fit(X) 25 y_ = kmeans.predict(X) 26 27 # 分成3类 28 for i in range(3): 29 index = np.argwhere(y_ == i).reshape(-1) 30 print('类别是%d国家队有：'%(i),football['国家'].loc[index].get_values()) 31 32 # 分成5类 33 for i in range(5): 34 index = np.argwhere(y_ == i).reshape(-1) 35 print('类别是%d国家队有：'%(i),football['国家'].loc[index].get_values()) 复制代码 加载的数据结构： 分成3类打印输出： 分成5类打印输出： 分类好了，但是我们不知道分成4类好还是分成5类好，现在选取一些指标来评判一下： （1）轮廓系数 Silhouette Coefficient 复制代码 1 # 轮廓系数 2 from sklearn.metrics import silhouette_score 3 4 for i in range(2,16): 5 kmeans = KMeans(n_clusters=i) 6 kmeans.fit(X) 7 y_ = kmeans.predict(X) 8 s = silhouette_score(X,y_) 9 print('聚类个数是：%d。轮廓系数是：%0.2f'%(i,s)) 复制代码 由轮廓系数分析可知，当分为6类的时候，效果最好 （2）calinski_harabasz_score CH分数（值越大，效果越好） 复制代码 1 for i in range(2,16): 2 kmeans = KMeans(n_clusters=i) 3 kmeans.fit(X) 4 y_ = kmeans.predict(X) 5 s = metrics.calinski_harabasz_score(X,y_) 6 print('聚类个数是：%d。calinski_harabasz_score：%0.2f'%(i,s)) 复制代码 （3）davies_bouldin_score 戴维森堡丁指数DBI（度量是每个聚类最大相似度的均值） 复制代码 1 for i in range(2,16): 2 kmeans = KMeans(n_clusters=i) 3 kmeans.fit(X) 4 y_ = kmeans.predict(X) 5 s = metrics.davies_bouldin_score(X,y_) 6 print('聚类个数是：%d。davies_bouldin_score：%0.2f'%(i,s)) 复制代码 以上三种方式得到的最优分类均不同，这是因为数据的原因，数据不太好. https://www.cnblogs.com/xiuercui/p/11980743.html