一、Kmeans原理
Kmeans算法是一种常见的聚类算法，用于将数据集划分成k个不重叠的簇。其主要思想是通过迭代的方式将样本电话分到不同的簇中，使得同一簇内的样本点相似度较高，不同簇之间的相似度较低。
Kmeans算法的详细步骤：
- 初始化：选择k个初始聚类中心，可以是随机选择或者根据某种启发式方法选择。聚类中心通常是从数据集中选择的k个样本点；
- 分配样本点：对于每个样本点，计算其与各个聚类中心的距离（如欧式距离），将样本点分配给距离最近的聚类中心所在的簇；
- 更新聚类中心：对于每个簇，计算其所有样本点的均值，将该均值作为新的聚类中心；
- 重复步骤2和3：直到聚类中心不再发生变化或者达到预定的迭代次数；
- 输出结果：最终得到k个聚类簇，每个簇包含一组样本点。
Kmeans算法的特点：
- kmeans算法是一种迭代算法，通过多次迭代优化聚类结果；
- kmeans算法基于距离度量来进行样本点的分配和聚类中心的更新；
- kmeans算法对离群点敏感，离群点可能会影响聚类结果；
- kmeans算法要求事先指定聚类的个数k。
Kmeans算法的优化方法：
- 通过增加迭代次数或设置收敛条件来控制算法的迭代次数；
- 使用更好的初始化方法，如Kmeans++算法，可以更好地选择初始聚类中心；
- 对于离群点的处理，可以使用基于距离的异常值检测方法，或者采用基于密度的聚类算法。
二、实验环境
三、Kmeans简单代码实现
1. 构造数据
import numpy as np data = np.array([[3, 2], [4, 1], [3, 6], [4, 7], [3, 9], [6, 8], [6, 6], [7, 7]])