大数据之数据挖掘理论笔记 聚类问题之K-means

大数据之数据挖掘理论笔记   聚类问题之K-means

推荐参考博文： http://www.cnblogs.com/leoo2sk/archive/2010/09/20/k-means.html 

推荐参考博文： http://blog.youkuaiyun.com/cyxlzzs/article/details/7416491  试过了，确实可运行。

http://blog.youkuaiyun.com/ghostfromheaven/article/details/6516188

1. 聚类的理解

聚类是一个划分数据对象集的过程。一个数据对象集被划分为几个簇，并且簇内对象之间具有较高的相似性，但与其他簇中的对象却很不相似。划分依据往往是描述对象的属性值评估，通常涉及距离量度。划分方法采用聚类算法，即使对于相同的数据集，不同的聚类方法可能产生不同的聚类结果。

聚类的类标号信息是未知的（即每个训练元组隶属哪一类示先并未知晓），因此聚类是无监督学习。

2. 聚类应用领域

商务智能、图像识别、Web搜索等

聚类用于离群点检测 outlier detection（如：信用卡欺诈检测）

3. 聚类的两种经典方法

基于距离的方法 K-means

基于密度的方法 DBScan

4. K-means (K-均值)

聚类算法核心思想：把数据集中的对象分区，每个分区代表一个簇；簇的形成旨在优化一个客观划分准则（如基于距离的相异性函数，e.g.簇中所有对象与该簇代表形心之间的误差平方和），使得根据数据集的属性，在同一个簇中的对象相似，不同簇中的对象相异。

K-means算法的核心要点：1. K-means算法把簇的形心定义为簇内所有点的均值；2. 根据业务需求K示先给