現實生活中常常會有這樣的問題：缺乏足夠的先驗知識，因此難以人工標註類別或進行人工類別標註的成本太高。很自然地，我們希望計算機能代我們完成這些工作，或至少提供一些幫助。根據類別未知(沒有被標記)的訓練樣本解決模式識別中的各種問題，稱之為無監督學習。
我們可以怎樣最有用地對其進行歸納和分組？我們可以怎樣以一種壓縮格式有效地表徵資料？這都是無監督學習的目標，之所以稱之為無監督，是因為這是從無標籤的資料開始學習的。
我們先來看一下乙個k-means的聚類效果圖
隨機設定k個特徵空間內的點作為初始的聚類中心
對於其他每個點計算到k個中心的距離，未知的點選擇最近的乙個聚類中心點作為標記類別
接著對著標記的聚類中心之後，重新計算出每個聚類的新中心點（平均值）
如果計算得出的新中心點與原中心點一樣，那麼結束，否則重新進行第二步過程
如果分開來看上圖的話，效果如下：
輪廓係數計算公式如下：
對於每個點i 為已聚類資料中的樣本 ，b_i 為i 到其它族群的所有樣本的距離最小值，a_i 為i 到本身簇的距離平均值。最終計算出所有的樣本點的輪廓係數平均值。
分析過程（我們以乙個藍1點為例）
如果b_i>>a_i:趨近於1效果越好， b_i
無監督學習 K means演算法
是指在未加標籤的資料中，根據資料之間本身的屬性特徵和關聯性對資料進行區分，相似相近或關聯性強的資料放在一起，而不相似不相近 關聯性不強的資料不放在一起。應用場景 降維，聚類演算法，關聯演算法 有監督學習和無監督學習的區別 分類問題，要求實現必須明確知道各個類別的訊息，建立的前提是待分類項都有乙個類別...
無監督學習 K means演算法
聚類演算法是一種無監督學習演算法。k均值演算法是其中應用最為廣泛的一種，演算法接受乙個未標記的資料集，然後將資料聚類成不同的組。k均值是乙個迭代演算法，假設我們想要將資料聚類成k個組，其方法為 隨機選擇k個隨機的點 稱為聚類中心 對與資料集中的每個資料點，按照距離k個中心點的距離，將其與距離最近的中...
無監督學習 K Means聚類
無監督學習 通過無標籤的資料，學習資料的分布或資料與資料之間的關係。1定義 根據資料的 相似性 將資料分為多類的過程。1.1.演算法模組 k means 近鄰傳播演算法 dbscan演算法，高斯混合模型 gmm 等。1.2.python庫 sklearn.cluster 1.3.k means聚類演...