K-MEANS算法
聚类概念：
1.无监督问题：我们手里没有标签
2.聚类：相似的东西分到一组
3.难点：如何评估，如何调参
4.要得到簇的个数，需要指定K值
5.质心：均值，即向量各维取平均即可
6.距离的度量：常用欧几里得距离和余弦相似度
7.优化目标：min$$ min \sum_{i=0}^k \sum_{C_j=0} dist(c_i,x)^2$$
工作流程：
(a)读入数据
(b)随机初始化两个点
(c)计算每个点到质心的距离，离那个质心距离近，就暂时归为那类
(d)重新计算评估指标，更新质心，执行c动作
(e)重新更新质心
(f)重新计算质心的距离，进行分类，直到质心不在发生变化
优势:
简单、快速、适合常规数据集
劣势：
K值难确定
复杂度与样本呈线性关系
很难发现任意形状的簇，如下图：
sklearn实现
#数据读入
# beer dataset import pandas as pd beer = pd.read_csv('data.txt',sep=' ') beer
X = beer[["calories","sodium","alcohol","cost"]]
from sklearn.cluster import KMeans km = KMeans(n_clusters = 3).fit(X) km2 = KMeans(n_clusters = 2).fit(X)
print(km.labels_)
array([0, 0, 0, 0, 0, 0, 0, 0, 2, 2, 0, 2, 0, 0, 0, 1, 0, 0, 1, 2])
beer['cluster'] = km.labels_ beer['cluster1'] = km2.labels_ beer.sort_values('cluster') beer.sort_values('cluster1')
