K-means聚类算法及Python实例

K-means聚类算法及Python实例

K-means聚类算法是一种常用的无监督学习算法，用于将数据集划分为K个不同的簇。在该算法中，每个簇由其内部的数据点组成，这些数据点彼此相似，而不同簇之间的数据点则差异较大。本文将详细介绍K-means算法的原理，并提供Python实例代码来说明其应用。

K-means算法的原理

1. 初始化：首先选择K个初始聚类中心点，可以是随机选择的数据点或者根据一定的启发式方法选择。
2. 分配：对于每个数据点，计算其与每个聚类中心点之间的距离，将其归类到距离最近的聚类中心点所对应的簇中。
3. 更新：对于每个簇，计算其所有数据点的均值，并将该均值作为新的聚类中心点。
4. 重复：重复步骤2和步骤3，直到聚类中心点的位置不再改变或者达到预定的迭代次数。

Python实例代码
现在让我们通过一个简单的Python实例来演示K-means算法的应用。假设我们有一个包含二维数据点的数据集，我们的目标是将这些数据点划分为两个不同的簇。

import numpy as np
from sklearn.cluster import KMeans