2、聚类分析入门：从基础概念到 k-means 算法实践

聚类分析入门：从基础概念到 k-means 算法实践

1. 聚类分析简介

在机器学习领域，聚类是一项极具价值的任务。它旨在从数据集中找出相似数据的分组，帮助我们挖掘数据背后的潜在意义。例如，作为商店老板，若想了解哪些顾客更有价值，但又没有明确的“价值”定义，聚类分析就是一个很好的切入点，能帮助我们在海量数据中发现规律。

1.1 聚类的基本概念

聚类的基本定义是将相似的数据归为一组，作为更大数据集的子集。以一个有 10 人的房间为例，若这些人分别从事金融或科研工作，让金融工作者站在一起，科研工作者站在一起，就形成了基于职业类型的两个聚类。通过聚类，我们可以识别出数据中更相似或差异较大的项目。

1.2 识别聚类

通过散点图可以直观地观察数据中的聚类情况。例如，展示的两个散点图，其中的数据点是从高斯分布中随机生成的数对（x, y 坐标）。从图中可以明显看出数据中的聚类位置，但在现实生活中，识别聚类往往没有这么简单。

graph LR
    A[原始数据] --> B[绘制散点图]
    B --> C[观察聚类位置]

1.3 二维数据

以一个包含 1000 行、两列数值数据的数据集为例，乍一看，这个数据集似乎没有明显的结构。在数据集中，维度可以简单理解为可用特征的数量，通常在有组织的数据表中，特征数量就是列的数量。对于这个 1000 行、两列的数据集，我们有 1000 个观测值，分布在两个维度上。为了更好地了解数据结构，我们可以将第一列与第二列进行绘图。

1