【无监督学习之聚类】

曾梦想执剑走天涯，我是程序猿【AK】

简述概要

了解无监督学习之聚类

知识图谱

无监督学习中的聚类是一种将数据集中的对象分组的算法，使得同一组（簇）内的对象比其他组的对象更相似。聚类的目标是发现数据中的内在结构，而不是基于预先定义的标签。以下是几种常见的聚类算法及其原理：

1. K-Means聚类

K-Means是最常用的聚类算法之一。它的目标是将数据点划分为K个簇，使得每个簇内的点之间的距离尽可能小，而簇间的距离尽可能大。

• 算法步骤：

  1. 随机选择K个数据点作为初始的簇中心（质心）。
  2. 将每个数据点分配给最近的簇中心，形成K个簇。
  3. 重新计算每个簇的质心，即簇内所有点的均值。
  4. 重复步骤2和3，直到簇中心不再发生变化或达到预定的迭代次数。

• 优点：简单、易于实现，计算效率相对较高。

• 缺点：需要预先指定K值，对初始质心