目录

一、kmeans算法具体流程

二、优化kmeans

三、总结

---

聚类模型（Clustering）:

• 目的：聚类是一种无监督学习方法，其目的是将数据点分组，使得同一组内的数据点彼此相似，而不同组的数据点尽可能不相似。
• 应用：聚类用于探索性数据分析，如市场细分、社交网络分析、基因数据分析等。
• 例子：K-均值（K-means），DBSCAN，层次聚类（Hierarchical Clustering）等。                                                                                                                                           
•                                                                   具体过程 

• 

缺点：     

• 要求用户必须事先给出要生成的簇的数目k
• 对初值敏感，受单一值影响大
• 对于孤立点数据敏感

二、优化kmeans

采用K-means++算法

         中心原则：初始的聚类中心之间的相互距离要尽可能的远。

三、总结

当数模比赛中出现类似社区检测，图像处理，城市规划，风险管理等情境，使用kmeans聚类方法