一文速学数模-聚类模型(一)K-means聚类算法详解+Python代码实例

目录

前言

一、聚类分析

二、K-means原理

1.距离度量算法

欧几里得距离（欧氏距离）

曼哈顿距离

切比雪夫距离

2.K-means算法思想

三.K-means算法实现

step1:选取K值

1.手肘法

python代码：

2.轮廓系数法

python代码：

 step2:计算初始化K点

 step3:迭代计算重新划分

  step4:可视化展现

四、K-means优缺点

优点：

缺点：

点关注，防走丢，如有纰漏之处，请留言指教，非常感谢

参阅：

---

前言

博主共参与了数十场数学建模，其中对于未给出标签的数据进行分析时一般第一个想到的就是聚类算法。聚类算法分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。

K-means均值聚类算法作为最经典也是最基础的无标签分类学习算法，根据不断的迭代优化衍生出许多十分好用的算法，例如K-mean++、K-MEDOIDS等。因此学习K-means的底层原理和计算方法是十分有必要。

本篇博客的愿景是希望我或者读者通过阅读这篇博客能够学会方法并能实际运用，而且能够记录到你的思想之中。希望读者看完能够提出错误或者看法，博主会长期维护博客做及时更新。

---