聚類是一種涉及資料點分組的機器學習技術。給定乙個資料點集，則可利用聚類演算法將每個資料點分類到乙個特定的組中。理論上，同一組資料點具有相似的性質或（和）特徵，不同組資料點具有高度不同的性質或（和）特徵。聚類屬於無監督學習，也是在很多領域中使用的統計資料分析的一種常用技術。本文將介紹常見的5大聚類演算法。
k-means演算法
k-means演算法可能是最知名的聚類演算法，該演算法在**中很容易理解和實現。
k-means聚類
1.首先我們選擇一些類或組，並隨機初始化它們各自的中心點。為了計算所使用類的數量，最好快速檢視資料並嘗試識別任何乙個不同的分組。中心點是和每個資料點向量長度相同的向量，上圖標記為「x」。
2.每個資料點是通過計算該點與每個組中心的距離進行分類的，然後再將該點分類到和中心最接近的分組中。
3.根據這些分類點，通過計算群組中所有向量的均值重新計算分組中心。
4.重複以上步驟進行數次迭代，或者直到迭代之間的組中心變化不大。選擇結果最好的迭代方式。
因為我們只是計算點和組中心之間的距離，計算量很少，所以k-means演算法的速度非常快，具有線性複雜度o(n)。
k-means演算法的缺點是必須選擇有多少個組或類，因為該演算法的目的是從不同的資料中獲得資訊。另外，k-means演算法從隨機的選擇聚類中心開始，因此不同的演算法執行可能產生不同的聚類結果。其結果缺乏一致性，而其他聚類方法結果更一致。
資料科學家需要知道的5種聚類演算法
編譯 bot 編者按 聚類是一種涉及資料點分組的機器學習技術。給定一組資料點，我們可以使用聚類演算法將每個資料點到分類到影象中的特定組中。理論上，同一組中的資料點應具有相似的屬性和特徵，而不同組中的資料點的屬性和特徵則應高度不同。聚類是無監督學習的一種方法，是用於多領域統計資料分析的常用技術。在資料...
資料科學家面臨的八大挑戰
資料是乙個利潤豐厚的領域，而且對具有相關技能的人有大量需求。然而，任何職業都面臨著挑戰，資料科學也不例外。從資料科學領域和管理資料科學的人的角度 資料科學的真正挑戰。需要專家而不是全才。最好的資料科學家不會試圖去做所有的事情。相反，他們將專業專注的範圍縮小到特定領域。鼓勵新的專業人士認識到，資料科學...
層次聚類演算法 從事資料科學需要掌握的5種聚類演算法
聚類是一種涉及資料點分組的機器學習技術。給定一組資料點，我們可以使用聚類演算法將每個資料點分類到特定的組。理論上，同一組中的資料點應具有相似的屬性和 或特徵，而不同組中的資料點應具有高度不同的屬性和 或特徵。聚類是一種無監督學習的方法，是許多領域中使用的常見統計資料分析技術。在資料科學中，我們可以使...