K-mean聚类算法汇聚有用信息——学习笔记

无监督-无标签

聚类，难点在于评估和调参。

k-means最简单实用

基本概念

K值：数据聚成多少类。

质心：各个维度算平均数。Centroid

相似度量：距离来算（欧式距离——直线距离，余弦距离）

样本之间的距离要先做标准化。（例如先都画到0-1之间）

优化，样本离质心间距离求和。（Ci是质心，x是样本）。越小越好，距离越小越相似，希望数据点到各自质心的距离越小越好（聚类）。

工作流程

1、随机初始化

要聚成两类则随机初始化两个质心，

遍历所有的点，算两个质心距离；哪个离得近，分类

更新质心：红色算平均

还有基于密度聚类

dbscan

网页演示：

Visualizing K-Means Clustering https://www.naftaliharris.com/blog/visualizing-k-means-clustering/

numpy矩阵运算的

matplotlib数据可视化

sklearn已经

对花的数据聚类，一行一个样本。一列是一个特征。

画出来

数据差别不大，可以不做标准化。

利用sklearn里的k-means建模

• 实例化KM_model。
• .fit，使用所有特征，四个特征。.fit训练
• 查看聚类结果labels。

聚类评估：轮廓系数（Silhouette Coefficient）

ai同簇，越小越好。

bi到其他簇，取最小。越大越好，不同的差异大。

算平均轮廓系数

使用全部4个特征，发现聚类效果并不理想

现在，只使用后面两个特征进行聚类

花瓣长度和花瓣宽度