K-means 算法的原理简介

K-means 是数据科学和商业的基本算法。只需 4 分钟即可了解需要 4 周时间才弄清楚的内容。让我们深入了解一下。

1. K-means是一种流行的用于聚类的无监督机器学习算法。它是用于客户细分、库存分类、市场细分甚至异常检测的核心算法。

2. 无监督：K-means 是一种无监督算法，用于没有标签或预定义结果的数据。目标不是预测目标输出，而是通过识别数据集中的模式、聚类或关系来探索数据的结构。

3. 目标函数：K-means 的目标是最小化簇内平方和（WCSS）。它通过一系列迭代步骤（包括分配和更新步骤）来实现这一点。

4. 分配步骤：在此步骤中，将每个数据点分配给最近的聚类质心。“最近”通常使用欧几里得距离来确定。

5.更新步骤：重新计算质心作为簇中所有点的平均值。每个质心是其簇中点的平均值。

6.迭代：重复分配和更新步骤，直到质心不再发生显着变化，表明集群稳定。此过程最大限度地减少了簇内方差。

7. 输出：聚类质心、标签和距离平方和。质心代表每个聚类中所有点的平均位置，对于解释聚类结果至关重要。标签是聚类分配。距离平方和是簇中每个点距簇质心距离的度量。

8. 评估。有多种评估 K 均值的方法。两种常见的方法是剪影评分法和肘部法。

9. Silhouette Score：该指标衡量数据点与其他集群相比与其自身集群的相似程度。轮廓得分范围从 -1 到 1，其中高值表示数据点与其自己的簇匹配良好，而与相邻簇匹配较差。

10. 肘部法：该方法涉及将惯性绘制为簇数量的函数，并在图中寻找“肘部”。下降率急剧变化的肘点对于簇数来说是一个不错的选择。