Kmeans是一种简单的聚类方法，一般在数据分析前期使用，选取适当的k，将数据分类后，然后分类研究不同聚类下数据的特点。　　2 令k从2到一个固定值如10，在每个k值上重复运行数次kmeans，并计算当前k的平均轮廓系数，最后选取轮廓系数最大的值对应的k作

对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。先初始k个簇的质心；然后分别求样本中所有点到这k质心的距离，并标记每个样本的类别为和该样本距离最小的质心的类别；重复以上两步， 如果所有的

model_kmeans=KMeans #建立聚类模型对象。colors=['#4EACC5','#FF9C34','#4E9A06'] #设置不同类别的颜色。plt.scatter #展示聚类子集内的样本点。plt.plot #展示各聚类子集的

Kmeans++算法，主要可以解决初始中心的选择问题，不可解决k的个数。Kmeans++主要思想是选择的初始聚类中心要尽量的远。

Kmeans是最流行的，以及最简单的用于挖掘数据潜在结构的机器学习算法之一。Kmeans的目标很简单：根据数据的均值，将数据划分为若干个簇。假定每个簇的均值可以很好地代表簇内的每一个观察值。Kmeans算法假定我们想把数据划分为k个簇，那么我们就需要找出这

K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算

KMeans算法是MacQueen在1967年提出的，是最简单与最常见的数据分类方法之一。如果从分类角度看，KMeans属于硬分类即需要人为指定分类数目，而MeanSift分类方法则可以根据收敛条件自动决定分类数目。从学习方法上来说，KMeans属于非监督

今天用python实现了一下简单的聚类分析，顺便熟悉了numpy数组操作和绘图的一些技巧，在这里做个记录。## 利用numpy.append()函数实现matlab多维数组合并的效果，axis 参数值为 0 时是 y 轴方向合并，参数值为 1 时是 x 轴

假设样本分为c类，每个类均存在一个中心点，通过随机生成c个中心点进行迭代，计算每个样本点到类中心的距离。将该样本点归入到最短距离所在的类，重新计算聚类中心，进行下次的重新划分样本，最终类中心不改变时，聚类完成

k-means算法思想较简单，说的通俗易懂点就是物以类聚，花了一点时间在python中实现k-means算法，k-means算法有本身的缺点，比如说k初始位置的选择，针对这个有不少人提出k-means++算法进行改进；另外一种是要对k大小的选择也没有很完善

本节内容：本节内容是根据上学期所上的模式识别课程的作业整理而来，第一道题目是Kmeans聚类算法，数据集是Iris，分类数k是3，数据维数是4。聚类算法是这样的一种算法：给定样本数据Sample，要求将样本Sample中相似的数据聚到一类。有了这个认识之后

聚类是一种无监督的学习，将相似的对象放到同一簇中，有点像是全自动分类，簇内的对象越相似，簇间的对象差别越大，则聚类效果越好。k均值聚类将数据分为k个簇，每个簇通过其质心，即簇中所有点的中心来描述。然后再进行第二次划分数据集，直到聚类结果不再变化为止。

新学Hadoop，测试了hello word级别的程序WordCount，打算用hadoop做聚类分析，这次测试KMeans，二维的数据，这里详细的介绍一下我的测试过程，以供参考，源代码下载。Step1: 配置好eclipse和hadoop，具体可以参考网

Kmeans是一个非常基础的聚类算法，使用了迭代的思想，关于其原理这里不说了。下面说一下如何在matlab中使用kmeans算法。x=[randn(3,2)*.4;randn(4,2)*.5+ones(4,1)*[4 4]];使用kmeans函数：代码如下