K均值聚类 K-means Clustering

目录

前言

一、k均值聚类是什么？

二、k均值聚类的优点和缺点

三、k均值聚类的应用场景

四、构建k均值聚类模型的注意事项

五、k均值聚类模型的实现类库

六、k均值聚类模型的评价指标

七、类库scikit-learn实现k均值聚类的例子

八、k均值聚类的模型参数

总结

---

前言

k均值聚类是机器学习中无监督学习的一种聚类算法。

一、k均值聚类是什么？

K均值聚类算法是先随机选取K个对象作为初始的聚类中心，然后计算每个对象到各个种子聚类中心之间的距离，把每个对象分配给距离最近的聚类中心。聚类中心以及被分配到的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象重新计算。不断重复这个过程，直到聚类中心不再发生变化，误差平方和局部最小为止。

二、k均值聚类的优点和缺点

优点：

• 算法简单，容易实现；
• 计算速度快，可以高效的处理大数据集，复杂度大约是O(nkt)；
• 算法尝试找出使平方误差函数值最小的K各划分，当簇是密集的，球状或团装的，且簇与簇之间的区别明显时，聚类效果较好；
• 对异常值敏感，可以用来做异常检测，但也可以通过对变量做正态分布的转换，最终得到样本量均匀的族；

缺点：

• 对数据类型要求较高，适合数值型数据；
• 可能收敛到局部最小值，在大规模数据上的收敛较慢；
• 分组的数目K是一个输入参数，不合适的K可能返回较差的结果，但可以通过轮廓系数和误差平方和等进行最佳K选择；
• 对初值的簇心值敏感，对于不同的初始值，可能会倒是不同的聚类结果；
• 不合适于发现非凸面形状的簇，或者大小差别很大的簇，只能形成球形的簇；
• 对于噪声和孤立点数据敏感，少量的该类数据能够对平均值产生极大影响；

三、k均值聚类的应用场景

K-means是一种常见的聚类算法，其应用场景包括但不限于以下几个方面：

• 图像分割：K-means可以用于图像分割中，将图像中的像素点聚类成不同的区域。
• 推荐系统：K-means可以用于推荐系统中，将用户聚类成不同的群体，从而实现个性化推荐。
• 市场细分：K-means可以用于市场细分中，将消费者聚类成不同的群体，从而更好地进行市场营销。
• 客户分类：K-means可以用于客户分类中，将客户聚类成不同的群体，从而更好地进行客户服务和管理。
• 医学诊断：K-means可以用于医学诊断中，将病人聚类成不同的群体，从而更好地进行疾病诊断和治疗。
• 文本聚类：K-means可以用于文本聚类中，将文本数据聚类成不同的主题或分类。
• 网络安全：K-means可以用于网络安全中，将网络流量聚类成不同的群体，从而更好地进行入侵检测和防御。
• 金融风险管理：K-means可以用于金融风险管理中，将资产聚类成不同的群体，从而更好地进行风险管理和投资决策。
• 自然语言处理：K-means可以用于自然语言处理中，将单词或短语聚类成不同的主题或分类。