本文简要介绍了一种常用的无监督学习算法：K 均值聚类，主要用python实现

无监督学习是一类用于在数据中寻找模式的机器学习技术。无监督学习算法使用的输入数据都是没有标注过的，这意味着数据只给出了输入变量（自变量 X）而没有给出相应的输出变量（因变量）。在无监督学习中，算法本身将发掘数据中有趣的结构。

监督学习 VS 无监督学习

在监督学习中，系统试图从之前给出的示例中学习。因此，如果数据集被标注过了，提前做好了分类的信息的这就是一个监督学习问题；而如果数据没有被标注过，这就是一个无监督学习问题，学习过程中并不知道分类结果是否正确。

左图是一个监督学习的例子，它使用回归技术找到在各个特征之间的最佳拟合曲线。

而右无监督学习中，根据特征对输入数据进行划分，并且根据数据所属的簇进行预测。

一：模型原理：

K-Means算法的思想：对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。

如果用数据表达式表示，假设簇划分为，则我们的目标是最小化平方误差E：

算法都包含一个过程，即找出和某一个点最近的点。利用了最近邻(nearest neighbors)的思想。

二：算法步骤：

(1) 首先要注意的是k值的选择，一般来说，我们会根据对数据的先验经验选择一个合适的k值，如果没有什么先验知识，则可以通过交叉验证选择一个合适的k值。并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置。这需要我们提前预知类的数量(即中心点的数量)。

(2) 计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中。

(3) 计算每一类中中心点作为新的中心点。

(4) 重复以上步骤，直到每一类中心在每次迭代后变化不大为止。也可以多次随机初始化中心点，然后选择运行结果最好的一个。

三：重要的参数

n_clusters：聚类的个数K值，一般根据经验，也可以先画出样本的散点图，查看样本的分布情况再初步确定聚类的个数

max_iter：最大迭代次数，超过这个次数，则停止迭代

四：数据准备

我们使用sklearn自带Iris 数据集-额鸢尾花卉数据集,这个数据集包含 150 条记录，每条记录由 5 个特征构成——花瓣长度、花瓣宽度、萼片长度、萼片宽度、花的类别。花的类别包含 Iris Setosa、Iris VIrginica 和 Iris Versicolor 三种。本文中向无监督算法提供了鸢尾花的后两个特征，sepal length 萼片长度（厘米），sepal width 萼片宽度（厘米）预测它属于哪个类别。

数据探索

首先使用 matplotlib 进行数据可视化，代码如下：

五：K 均值算法的 Python 实现

结果如下：类别特征，类别数量

六：模型检验：

1，画出聚类散点图

如下图，聚类之后形成包含聚类中心的散点图

2，Calinski-Harabasz分数值：在（0-1）区间，越大说明组与组之间界限越明显，组内之间样本界限越小，说明模型越好，

3，兰德指数：在（0-1）区间，越大越好，但是前提得知道确定的分类结果

六：结果解读

如果聚类的效果好，就需要对每个类别的特征根据业务需要进行解读或者定义，使之能真正在业务中使用