”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(wú)監(jiān)督學(xué)習(xí)方法。不同于分類，分類是有監(jiān)督學(xué)習(xí)，樣本都有標(biāo)簽，分類模型重點(diǎn)考查的是模型的泛化能力，而聚類是按要求給樣本加標(biāo)簽，重點(diǎn)考查模型聚類的效果，通常無(wú)訓(xùn)練集與測(cè)試集的劃分。什么是聚類？所謂數(shù)據(jù)聚類是指根據(jù)數(shù)據(jù)的內(nèi)在性質(zhì)將數(shù)據(jù)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(shù)據(jù)是否屬于各個(gè)獨(dú)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(duì)一個(gè)數(shù)據(jù)對(duì)象的集合進(jìn)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(wú)指導(dǎo)或無(wú)監(jiān)督(Unsupervised)學(xué)習(xí)。聚類分析的一般方法是將數(shù)據(jù)對(duì)象分組為多個(gè)類或簇(Cluster)，在同一簇中的對(duì)象之間具有較高的相似度，而不同簇中的對(duì)象差異較大。由于聚類分析的上述特征，在許多應(yīng)用中，對(duì)數(shù)據(jù)集進(jìn)行了聚類分析后，可將一個(gè)簇中的各數(shù)據(jù)對(duì)象作為一個(gè)整體對(duì)待。數(shù)據(jù)聚類 (Cluster analysis) 是對(duì)于靜態(tài)數(shù)據(jù)分析的一門技術(shù)，在許多領(lǐng)域受到廣泛應(yīng)用，包括機(jī)器學(xué)習(xí)，數(shù)據(jù)挖掘，模式識(shí)別，圖像分析以及生物信息。在物聯(lián)網(wǎng)時(shí)代，傳感器的數(shù)據(jù)比牛毛還多。作為數(shù)據(jù)分析中的主要手段——聚類肯定派的上用場(chǎng)。那就在大學(xué)先打下堅(jiān)實(shí)的基礎(chǔ)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(gè)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(shù)的基礎(chǔ)上將數(shù)據(jù)劃分為預(yù)定的類數(shù)K。該算法原理簡(jiǎn)單并便于處理大量數(shù)據(jù)。本系列文章將展示算法程序！

K-中心點(diǎn)

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

系統(tǒng)聚類

也稱為層次聚類，分類的單位由高到低呈樹形結(jié)構(gòu)，且所處的位置越低，其所包含的對(duì)象就越少，但這些對(duì)象間的共同特征越多。該聚類方法只適合在小數(shù)據(jù)量的時(shí)候使用，數(shù)據(jù)量大的時(shí)候速度會(huì)非常慢。

K-means方法！

這是本文講解的重點(diǎn)！先來(lái)看這種方法的原理和步驟！

1）從數(shù)據(jù)集中隨機(jī)抽取k個(gè)樣本作為初始聚類的中心，由這個(gè)中心代表各個(gè)聚類。

2）計(jì)算數(shù)據(jù)集中所有的樣本到這k個(gè)中心點(diǎn)的距離（哪幾種距離），并將樣本點(diǎn)歸到離其最近的聚類里。

3）將聚類的中心點(diǎn)移動(dòng)到各類的幾何中心（即平均值）處。

4）重復(fù)第2步直到聚類的中心不再移動(dòng)，此時(shí)算法收斂或者迭代的次數(shù)達(dá)到上限。

推薦一本好書！在這方面講的非常好！照片為證！

仔細(xì)看看！

距離！

將樣本點(diǎn)分到距離聚類中心最近的那個(gè)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(shù)，有時(shí)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(biāo)題：大學(xué)課程 數(shù)據(jù)分析 實(shí)戰(zhàn)之K-means算法（1）理論講解

文章出處：【微信公眾號(hào)：通信工程師專輯】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。