1.K－means算法原理
K－means算法是一种典型的基于划分的聚类算法。划分法的目的是将数据聚为若干簇，簇内的点都足够近，簇间的点都足够远。通过计算数据集中样本之间的距离，根据距离的远近将其划分为多个簇。K－means首先需要假定划分的簇数k，然后从数据集中任意选择k个样本作为该簇的中心。具体算法如下:
(1)从n个数据对象中任意选择k个对象作为初始聚类中心。
(2)计算在聚类中心之外的每个剩余对象与中心对象之间的距离，并根据最小距离重新对相应对象进行划分。
(3)重新计算每个“有变化的聚类”的中心，确定“新的聚类中心”。
(4)迭代第(2)和第(3)步，当每个聚类不再发生变化或小于指定阈值时，停止计算。
2.K－means算法案例
扩展库sklearn.cluster中的K－means类实现了K－means算法，其构造方法的语法格式如下:
def__init__(self,n_clusters=8,init='k-means++',n_init=10,max_iter=300,tol=1e-4,precompute_distances=' auto',verbose=0,random_state=None,copy_x=True,n_jobs=1)
常用参数如表4－3所示，常用方法如表4－4所示。
表4－3 K－means类常用参数(www.xing528.com)
表4－4 K－means类常用方法
下面是用代码演示sklearn.cluster中K－means算法的基本步骤。例4＿5将给定的数据运用K－means算法进行聚类分析，将样本分成三类。
例4＿5＿K－means.py
二维码4－3 K－means划分聚类
运行结果如下:
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
