点击上方关注，All in AI中国

K均值聚类是最简单和最受欢迎的无监督机器学习算法之一。

通常，无监督算法仅使用输入向量从数据集进行推断，而不参考已知或标记的结果。

AndreyBu拥有超过5年的机器学习经验，目前向人们教授他的技能，他表示“K-means的目标很简单：将类似的数据分组在一起，发现潜在的模式。为了实现这一目标，K-means在数据集中查找固定数量（k）的聚类。”

集群是指由于某些相似性而聚合在一起的数据点集合。

您将定义一个目标数字k，它指的是数据集中所需的质心数，质心是表示集群中心的虚构或真实位置。

通过减少簇内平方和，将每个数据点分配给每个簇。

换句话说，K-means算法识别k个质心，然后将每个数据点分配给最近的簇，同时保持质心尽可能小。

K均值中的“均值”是指数据的平均值;也就是说，找到质心。

K-means算法如何工作

为了处理学习数据，数据挖掘中的K均值算法从第一组随机选择的质心开始，这些质心用作每个聚类的起始点，然后执行迭代（重复）计算以优化质心的位置。

它可以在以下情况之一停止创建和优化集群：

质心已经稳定- 它们的值没有变化，因为聚类已经成功。已经实现了定义的迭代次数。

K-means算法示例问题

让我们看看K-means机器学习算法如何使用Python编程语言工作的步骤。

我们将使用Scikit-learn库和一些随机数据来说明K-means聚类的简单解释。

第1步：导入库

从上面的代码中可以看出，我们将在项目中导入以下库：

用于阅读和编写电子表格的熊猫Numpy用于执行高效计算Matplotlib用于数据可视化

第2步：生成随机数据

以下是在二维空间中生成一些随机数据的代码：

总共产生了100个数据点并分成两组，每组50个点。

以下是数据在二维空间中的显示方式：

第3步：使用Scikit-Learn

我们将使用Scikit-learn库中的一些可用函数来处理随机生成的数据。

这是代码：

在这种情况下，我们任意给k（n_clusters）一个任意值2。

以下是运行代码时得到的K-means参数的输出：

第4步：找到质心

以下是查找集群中心的代码：

这是质心值的结果：

让我们显示集群中心（使用绿色和红色）。

这是输出：

第5步：测试算法

以下是获取K-means聚类示例数据集的标签属性的代码;也就是说，数据点如何被划分为两个集群。

以下是运行上述K-means算法代码的结果：

如您所见，50个数据点属于0集群，而其余数据属于1个集群。

例如，让我们使用下面的代码来预测数据点的集群：

结果如下：

总结：

以下是Python中的整个K-means聚类算法代码：

K均值聚类是一种广泛使用的数据聚类分析技术。

这很容易理解，特别是如果您使用K-means集群教程加速学习。它可以快速提供训练结果。

然而，其性能通常不如其他复杂的聚类技术那样具有竞争力，因为数据的微小变化可能导致高度变化。

此外，假设簇是球形的并且大小均匀，这可能会降低K-means聚类Python结果的准确性。