//本文為作者原創，在同名公眾號和CSDN賬號同步發佈，歡迎大家關注//
K均值法屬於無監督學習範疇，是應用最廣泛的聚類學習方法，該方法用於對無標籤的數據根據特徵的相近程度分類。
K均值法原理：K均值法的原理是選擇K個聚類中心，然後將聚類中心初始化，計算距離聚類中心較近的點並將其歸為一類，然後將各類的點分別求平均值，將聚類中心移動到該均值處，以此方法循環直到均值點收斂。
聚類中心數目選擇：聚類中心數目可以通過肘部法則來確定，肘部法則即將聚類中心數目不斷增加聚類算法的代價函數不斷減小，在某個值處形成明顯的拐點，該點對應的K值就是最佳聚類中心數。
有些算法模型沒有明顯拐帶你怎麼辦？當有些模型代價函數下降沒有明顯的拐點，這時K值的選擇需要根據要分類物體的實際情況確定K值，如衣服尺碼數量確定K值。可就是說樣本自身會有明確的認為認知的分類標準。
注意：K均值法對聚類中心點的初始值是隨機的容易陷入局部最優解，所以需要多次初始化選擇代價函數最小的模型。
分享到:
閱讀更多 工科派 的文章
