05-Kmeans

1、算法描述：

1）、任意选择K个点作为聚类中心
2）、对每个聚类中心，计算每个对象与这些聚类中心的距离，并根据最小距离重新对相应对象进行划分
3）、重新计算每个聚类的中心
4）、当满足一定条件，如类别划分不再发生变化，或者达到迭代次数，算法终止，否则继续步骤2和3

计算每个对象与这些聚类中心的距离：——欧氏距离
重新计算每个聚类的中心对象：——中心对象：均值
当满足一定条件，则算法终止：
—损失函数：wcss

image.png

对象到聚类中心的距离的绝对值最小
—步骤3：最小化簇内对象到质心的距离
—重新计算质心，从而最小化wcss

2、kmeans 总结

缺点：
1）、K的选择
2）、中心点的选择，具有随机性
3）、处理非球面（凸型）聚类
4）、密度，大小不同的聚类（受K的限制，难发现自然的聚类）
针对3，部分解决方法：增加聚类个数
优点：
1）、算法简单
2）、时间复杂度：O（nkt）
n个聚类对象，k个类，T个迭代次数