【人工智能-初级】第7章 聚类算法K-Means：理论讲解与代码示例

一、K-Means聚类简介

K-Means 是一种广泛使用的无监督学习算法，主要用于数据聚类任务。它的目标是将数据集中的样本分为多个簇（Cluster），使得每个簇内的样本尽可能相似，而不同簇之间的样本尽可能不同。K-Means 非常适合探索性数据分析，可以帮助我们发现数据中的隐藏模式。

在 K-Means 中，“K” 表示预先设定的簇的数量，算法的目标是最小化各样本到其所属簇中心的距离之和。K-Means 算法被广泛用于客户分类、图像分割、市场分析等领域。

二、K-Means 聚类的工作原理

K-Means 算法的基本思想是通过迭代地更新簇中心和样本的簇分配，找到使得簇内样本相似度最大、簇间样本相似度最小的分组方案。具体地，K-Means 聚类的工作过程可以分为以下几个步骤：

2.1 初始化簇中心

首先随机选择 K 个数据点作为初始簇中心（Centroids），这些中心点将作为初始的簇的代表。

2.2 分配簇标签

对于每个数据点，计算它到所有簇中心的距离（通常使用欧氏距离），并将其分配给最近的簇中心。