K-means笔记

K-means算法
概念：K-means中K代表的类，means代表中心。K-means属于非监督学习，是聚类算法。
算法过程：

1. 从N个样本数据中随机选取K个对象作为初始的聚类中心。
2. 分别计算每个样本到这各个聚类中心的距离，并将对象归于距离最短的聚类群中。
3. 所有样本计算完后，重新计算K个聚类中心。可以通过计算类所有数据特征的均值，来确定新的聚类中心。
4. 与前一次计算得到得聚类中心比较。如果聚类中心没有改变，则进行步骤5。若聚类中心改变了，则重复步骤2.
5. 当质心不发生变化时停止输出聚类结果。

对于连续数据，聚类中心取该簇的均值。
对于分类变量，均值可能无定义，可以使用K-众数方法。

对象名	函数功能	所属工具箱
KMeans	K均值聚类	sklearn.cluster
Affinity Propagation	吸引力传播聚类	sklearn.cluster

K-means 在sklearn中的应用，注：因为k-means是聚类，故提供的数据不需要带有标签。

from sklearn.cluster