K-means聚类
k-means算法，它在学术领域及业界都得到了广泛应用。聚类（或称为聚类分析）是一种可以找到相似对象群组的技术，与组间对象相比，组内对象之间具有更高的相似度。聚类在商业领域的应用包括：按照不同主题对文档、音乐、电影等进行分组，或基于常见的购买行为，发现有相同兴趣爱好的顾客，并以此构建推荐引擎。
与其他聚类算法相比，k-means算法易于实现，且具有很高的计算效率，这也许就是它得到广泛使用的原因。
具体有如下四个步骤：
1）从样本点中随机选择k个点作为初始簇中心。
2）将每个样本点划分到距离它最近的中心点μ（j）,j∈{1,…,k}所代表的簇中。
3）用各簇中所有样本的中心点替代原有的中心点。
4）重复步骤2和3，直到中心点不变或者达到预定迭代次数时，算法终止。
现在面临的一个问题就是：如何度量对象之间的相似性？我们可以将相似性定义为距离的倒数，在m维空间中，对于特征取值为连续型实数的聚类分析来说，常用的距离度量标准是欧几里得距离的平方：
基于欧几里得度量标准，我们可以将k-means算法描述为一个简单的优化问题，通过迭代使得簇内误差平方和（within-cluster sum of squared errors，SSE）最小，也称作簇惯性（cluster intertia）。
from sklearn.cluster import KMeans
km = KMeans(n_clusters=3,n_init=10,max_iter=300,tol=1e-04,random_state=0)
y_km = km.fit_predict(X)
指定先验的簇数量是k-means算法的一个缺陷
k-means++
经典的k-means算法，它使用随机点作为初始中心点，若初始中心点选择不当，有可能会导致簇效果不佳或产生收敛速度慢等问题。
解决此问题的一种方案就是在数据集上多次运行k-means算法，并根据误差平方和（SSE）选择性能最好的模型。
另一种方案就是使用k-means++算法让初始中心点彼此尽可能远离，相比传统k-means算法，它能够产生更好、更一致的结果。
k-means++算法的初始化过程可以概括如下：
1）初始化一个空的集合M，用于存储选定的k个中心点。
2）从输入样本中随机选定第一个中心点μ（j），并将其加入到集合M中。
3）对于集合M之外的任一样本点x（i），通过计算找到与其平方距离最小的样本d（x（i）,M）2。
4）使用加权概率分布来随机选择下一个中心点μ（p）。
5）重复步骤2、3，直到选定k个中心点。
6）基于选定的中心点执行k-means算法。
通过scikit-learn的KMeans对象来实现k-means++算法，只需将init参数的值random替换为k-means++（默认值）即可。
k-means算法还有另一个问题，就是一个或多个簇的结果可能为空。但k-medoids或者模糊C-means算法中不存在这种问题，我们将在下一小节讨论这两种算法。
不过，此问题在当前scikit-learn实现的k-means算法中是存在的。
如果某个簇为空，算法将搜索距离空簇中心点最远的样本，然后将此最远样本点作为中心点。
当我们使用欧几里得距离作为度量标准将k-means算法应用到真实数据中时，需要保证所有特征值的范围处于相同尺度，
必要时可使用z-score标准化或最小-最大缩放方法对数据进行预处理。
DBSCAN
尽管无法在本章中介绍大量的不同的聚类算法，但我们至少可以再介绍另一种聚类方法：（包含噪声情况下）基于密度空间的聚类算法（Density-based Spatial Clustering of Applications with Noise，DBSCAN）。
在DBSACN中，密度被定义为指定半径ε范围内样本点的数量。
在DBSCAN中，基于以下标准，每个样本（点）都被赋予一个特殊的标签：
1.如果在一个点周边的指定半径内，其他样本点的数量不小于指定数量（MinPts），则此样本点称为核心点（core point）。
2.在指定半径ε内，如果一个点的邻居点少于MinPts个，但是却包含一个核心点，则此点称为边界点（border point）。
3.除了核心点和边界点外的其他样本点称为噪声点（noise point）。
完成对核心点、边界点和噪声点的标记后，DBSCAN算法可总结为两个简单的步骤：
1）基于每个核心点或者一组相连的核心点（如果核心点的距离很近，则将其看作是相连的）形成一个单独的簇。
2）将每个边界点划分到其对应核心点所在的簇中。
与k-means算法不同，DBSCAN的簇空间不一定是球状的，这也是此算法的优势之一。