如何深入理解并实现Python中的Kmeans聚类算法？

本文共计3038个文字，预计阅读时间需要13分钟。

聚类（Clustering）是一种常见的无监督学习（unsupervised learning）方法。简单来说，就是将相似的数据样本归为一组（群）。在聚类过程中，我们通常不知道某类是什么（即通常无标签信息），需要通过算法自行发现数据间的相似性并分组。

Clustering (聚类) 是常见的unsupervised learning (无监督学习)方法，简单地说就是把相似的数据样本分到一组（簇），聚类的过程.

我们并不清楚某一类是什么（通常无标签信息），需要实现的目标只是把相似的样本聚到一起，即只是利用样本数据本身的分布规律。

在本文中，我将详细介绍聚类算法，喜欢本文记得收藏、关注、点赞。

完整版代码、数据、技术交流文末提供。

聚类算法可以大致分为传统聚类算法以及深度聚类算法：

• 传统聚类算法主要是根据原特征+基于划分/密度/层次等方法。
  

• 深度聚类方法主要是根据表征学习后的特征+传统聚类算法。

kmeans聚类原理

kmeans聚类可以说是聚类算法中最为常见的，它是基于划分方法聚类的，原理是先初始化k个簇类中心，基于计算样本与中心点的距离归纳各簇类下的所属样本，迭代实现样本与其归属的簇类中心的距离为最小的目标（如下目标函数）。

其优化算法步骤为：

1.随机选择 k 个样本作为初始簇类中心（k为超参，代表簇类的个数。