目录

1.算法介绍

2.算法原理

3.python实现示例

1.算法介绍

K均值聚类算法是机器学习和数据分析中常用的无监督学习方法之一，主要用于数据的分类。它的目标是将数据划分为几个独特的、互不重叠的子集或“集群”，以使得同一集群内的数据点彼此相似，而不同集群的数据点则尽可能不同。

2.算法原理

1. 选择K个初始质心，这些质心可以是随机选取的数据点或其他方法得到的。
2. 根据每个数据点到质心的距离，将其分配给最近的质心，形成K个集群。
3. 重新计算每个集群的质心。
4. 重复上述步骤，直到质心不再发生变化或达到一定的迭代次数

3.python实现示例

import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt# 随机生成数据
np.random.seed(0)
points = np.vstack([np.random.normal(0, 0.5, size=(100, 2)),np.random.normal(1, 0.25, size=(100, 2)),np.random.normal(2, 0.6, size=(100, 2))
])# 使用KMeans进行聚类
kmeans = KMeans(n_clusters=3)
kmeans.fit(points)
labels = kmeans.predict(points)
centroids = kmeans.cluster_centers_# 可视化结果
plt.scatter(points[:, 0], points[:, 1], c=labels)
plt.scatter(centroids[:, 0], centroids[:, 1], color='red', marker='X')
plt.show()

结果图：