k-means演算法是將樣本聚類成k個簇（cluster）將相近的資料點分配到同乙個簇中。
其基本的演算法思想為：
隨機選擇k個聚類中心點（不一定為資料點，有可能選擇的是距）
計算其他點到這k個點的距離，將每個點分配到距離其最近的點中
隨機重新選擇k個點，重新計算每個簇的質心（計算每個點矩陣相加的平均值，並作為新的中心點）
重複2,3步，最後的到最優的k點
對於分類演算法，我們使用歐氏距離相加的平均值作為損失函式，通過損失函式來評價分類的好壞。
kmeans演算法是一種迭代的演算法，我們希望每一次的迭代中，分類的效能更好，這對應著損失函式需要越小越好。kmeans演算法的損失函式為：mse
對於隨機選擇的k個初始點。如果k個點本身都是屬於同一類的，那很容易造成分類結果的錯誤。那我們一般在取初始值的時候會取幾個點間隔比較大的。（通過概率性選擇）。
機器學習 K Means演算法
簡介 又叫k 均值演算法，是非監督學習中的聚類演算法。基本思想 k means演算法比較簡單。在k means演算法中，用cluster來表示簇 容易證明k means演算法收斂等同於所有質心不再發生變化。基本的k means演算法流程如下 選取k個初始質心 作為初始cluster，每個初始clus...
python機器學習基礎kmeans
kmeans 最簡單的聚類演算法之一。kmeans演算法是一種基於樣本間相似性度量的間接聚類方法，屬於非監督學習方法。此演算法以k為引數，把n 個物件分為k個簇，以使簇內具有較高的相似度，而且簇間的相似度較低。相似度的計算根據乙個簇中物件的平均值 被看作簇的重心 來進行。此演算法首先隨機選擇k個物件...
機器學習 K Means演算法應用
import matplotlib.pyplot as plt from sklearn.datasets.samples generator import make blobs 聚類資料測試工具 在sklearn中，隨機生成1000個樣本，每個樣本2個特徵，共4個簇，簇中心在 1,1 0,0 1,...