机器学习(八)：K-Means聚类原理与实战

声明：未经允许禁止转载与抄袭。

前言

$k$均值（$k$-means）聚类算法是一种经典的无监督聚类算法，本文将深入解析其理论原理，并在真是数据集上进行算法实践，话不多说，请看下文。

算法原理

给定样本集 D = { x 1 , x 2 , … , x m } D=\left\{\mathbf{x}_1, \mathbf{x}_2, \ldots, \mathbf{x}_m\right\} D={ x1​,x2​,…,xm​}，其中每个样本${\mathbf{x}}_i$都由一个向量表示，例如以周志华老师西瓜书中的西瓜数据集为例，每个样本都包含两个属性密度和含糖量，这两个属性值组成的向量便是该样本的向量表示。

$k$均值算法旨在将样本集$D$划分为$k$个簇，即 C = { C 1 , C 2 , … , C k } C=\left\{C_1,C_2,\ldots,C_k\right\} C={