机器学习之-用k-均值聚类算法对未标注数据分组-具体怎么实现及应用

1、什么叫做k-均值？

它可以发现k个不同的簇，且每个簇的中心采用簇中所含值的均值计算而成。

2、k-均值聚类的算法：

创建k个点作为起始质心（经常是随机选择）

当任意一个点的簇分配结果发生改变时

对数据集中的每个数据点

对每个质心

计算质心与数据点之间的距离

将数据点分配到距其最近的簇

对每一个簇，计算簇中所有点的均值并将均值作为质心

2、过程：

1）加载数据（数据格式是m行n列，其中每行是一个数据点，每列是数据的一个特征值）

2）创建一个m行2列的每个数据点的簇分配结果

3）创建一个初始的簇中心k行n列：（k，n）

3）开始循环：

对于每一个数据点：

对于每个簇中心：

计算该数据点到每个簇中心的距离

得到该数据点最近的簇索引

查看（m，2）里该数据点的簇索引是不是改变，是的话，最外层循环条件为true

对于每个簇中心：

计算以该簇为中心的数据点的平均值，用此值更新（m，2）里该数据点的簇索引值

//2017/6/29

1、使用后处理提高聚类性能：

a）计算质心之间的距离，合并最近的质心。

b）合并两个使得SSE增幅最小的质心。其中SSE的值是通过合并两个簇计算得到的总的SSE的值。

2、为克服K-均值算法收敛于局部最小值的问题，提出了二分K-均值算法：

将所有点看成一个簇

当簇数目小于k时

对于每一个簇：

        计算总误差SSE

        在给定的簇上面进行k-均值聚类（k=2）

        计算将该簇一分为二之后的总误差

选择使得误差最小的那个簇进行划分操作。