数据挖掘回顾十：聚类算法之 K均值 (K-Means) 算法

由此，跨入无监督学习。即从此没有训练集和测试集之说，无监督学习只有一个数据集。

并且，在分类或回归算法中(有监督学习)，数据集中的一条数据包含两个信息：各特征属性值、类别标签或目标值。而聚类算法的数据集中每一条数据只包含一个信息：各特征属性值。

聚类，顾名思义，就是聚类，呵呵。即把数据集中的数据凝聚成一个或多个小类，这些各个小类自己内部的数据之间有相似的特征属性。

K均值算法，顾名思义，包括两个方面：一在 K，即要把数据集分成 K 个小类。二在均值，即每次迭代选择每一个小类标识的时候，总是求这个小类中所有数据的平均值作为当前小类的标识ci，其中i=1,...,k。

K均值算法如下：

首先，从数据集中确定K个数据分别作为K个小类的初始标识。

然后，进行一次次的迭代，直到满足一定的条件，迭代结束。每次迭代做如下两件事情(先做1后做2)：

1，对数据集中的每一条数据，通过计算其与当前迭代周期的K个小类的标识ci之间的距离(比如可以是欧式距离)，找出K个距离中最小的那个，然后这条数据就划到距离最小对应的小类。

2，重新计算K各小类的均值，得到一个个新的小类的标识ci。

注：*，第一个标红处，即在数据集中确定K个数据作为K个小类的初始标识，如何选定K的大小，然后以及如何选定这K个数据，这有很多种方法。比如随机选择K个数据。比如K的大小可以多试几次。以验证K取哪种值时，聚类效果最好。

      **，第二个标红处，什么条件，迭代会结束？条件就是：当前迭代产生的K个小类和上轮迭代产生的K个小类中的数据一模一样，所有数据的类别都没有发生变化。

至此为止，对于K均值，相信大家都非常明白了。但在实际应用中，可能要经过反复试验才能确定相关的最佳参数，比如K的大小，比如如何选择最初始的K个小类的标识。