机器学习经典算法总结：K-Means聚类与集成学习（Bagging, Boosting, Stacking）

一、引言

机器学习中的无监督学习和集成学习是两大重要方向。我将对K-Means聚类算法和集成学习方法（Bagging, Boosting, Stacking） 进行系统总结，涵盖算法原理、优缺点、应用场景及实现方式。

二、K-Means聚类算法

1. 聚类算法简介：

聚类是一种无监督学习方法，目标是将相似的数据点划分为同一组，不相似的数据点划分到不同组。
难点在于：如何评估聚类效果、如何选择合适的聚类数目K、如何定义“相似性”。

2. 距离度量：

常用的距离度量包括：

欧式距离：多维空间中的直线距离。

曼哈顿距离：各坐标轴上的绝对距离之和。

3. K-Means算法流程：

随机选择K个中心点；

将每个点分配到最近的中心点所属簇；

重新计算每个簇的中心点；

重复步骤2-3直到中心点不再变化。

4. 评估指标：CH指标：

衡量类内紧密度与类间分离度；

CH值越大，聚类效果越好。

5. 优缺点：

优点：简单、高效、适用于常规数据集；

缺点：K值难以确定、对异常值敏感、难以处理非球形簇。

三、集成学习（Ensemble Learning）

1. 集成学习简介：

集成学习通过结合多个弱学习器构建一个强学习器，提升模型的泛化能力和鲁棒性。

2. 结合策略：

简单平均法      加权平均法       投票法（少数服从多数）

3. 集成学习分类：

 Bagging（Bootstrap Aggregating）：

代表算法：随机森林（Random Forest）

特点：并行训练多个基学习器，通过投票或平均得到最终结果。

优点：可处理高维数据；能输出特征重要性；支持并行化，训练速度快。

Boosting：

代表算法：AdaBoost

特点：串行训练，根据上一轮结果调整样本权重。

流程：

初始化样本权重；训练弱分类器，调整错分样本权重；组合所有弱分类器，加权得到最终结果。

 Stacking：

特点：堆叠多种不同类型的分类器（如KNN、SVM、RF等）；

流程：第一阶段各分类器输出结果，第二阶段用这些结果训练一个元分类器。

四、课堂练习：

1.用make_blobs()创建一个你喜欢的数据集，然后对它进行k均值聚类。

2.用随机森林实现葡萄酒分类。

五、总结

算法类型	代表算法	特点	适用场景
聚类	K-Means	无监督，简单高效	数据分群、图像分割
集成学习-Bagging	随机森林	并行、抗过拟合、可解释性强	分类、回归、特征选择
集成学习-Boosting	AdaBoost	串行、调整权重、强分类器	二分类、异常检测
集成学习-Stacking	多模型堆叠	暴力组合、灵活性强	复杂任务、竞赛常用

    K-Means和集成学习算法是机器学习中非常基础且实用的方法。理解其原理、掌握其实现方式，对于构建更复杂模型和解决实际问题具有重要意义。