非监督学习-K均值聚类-知识点扫盲

**非监督学习-K均值聚类**

在机器学习领域，数据通常可以分为两大类：有标签的数据和无标签的数据。有标签的数据是指已经附带了相关信息或分类结果的数据，而无标签的数据则没有任何相关信息或分类结果。这篇文章将重点介绍一种常见的无监督学习算法——K均值聚类。

**什么是K均值聚类**

K均值聚类是一种无监督学习算法，用于从高维空间中发现隐含的模式和结构。它通过将数据点分组到相似的簇中，以便于进一步分析和理解数据。K代表簇的数量，而均值则指的是每个簇的中心点。

**K均值聚类算法流程**

1. **选择簇数K**:首先需要确定簇的数量K。这通常通过经验法则或交叉验证来完成。
2. **初始化簇中心**:随机选取K个数据点作为初始簇中心。
3. **计算距离**:对于每个数据点，计算其与每个簇中心之间的距离（例如欧式距离）。
4. **分配到簇**:将数据点分配到最接近的簇中。
5. **更新簇中心**:重新计算每个簇的均值作为新的簇中心。
6. **重复步骤3-5**:直到满足停止条件（例如最大迭代次数或变化小于阈值）。

**K均值聚类优缺点**

优点：

* 算法简单易懂* 无需预先定义特征或目标变量* 可以处理高维空间中的数据缺点：

* 需要手动选择簇数K* 敏感于初始条件（例如初始簇中心）
* 不适合处理有噪声或异常值的数据**代码示例**

import numpy as np#生成随机数据点np.random.seed(0)
data = np.random.rand(100,2)

# 初始化簇中心K =3centroids = data[np.random.choice(range(data.shape[0]), K, replace=False)]

# 迭代计算距离和更新簇中心max_iter =100for _ in range(max_iter):
 distances = np.linalg.norm(data[:, np.newaxis] - centroids, axis=2)
 labels = np.argmin(distances, axis=1)
 new_centroids = np.array([data[labels == i].mean(axis=0) for i in range(K)])
 # 检查是否满足停止条件 if np.all(new_centroids == centroids):
 break centroids = new_centroids# 打印最终结果print("簇中心:", centroids)