K-Means 算法是一种经典的聚类算法，它通过迭代的方式将数据集分成 K 个簇，使得每个簇内的数据点尽可能接近，而不同簇之间的数据点尽可能远。

算法步骤

  1. 选择 K 个中心点：随机选择 K 个数据点作为初始中心点。
  2. 分配数据点：将每个数据点分配到最近的中心点所在的簇中。
  3. 更新中心点：计算每个簇中所有数据点的均值，并将中心点更新为均值。
  4. 重复步骤 2 和 3：重复步骤 2 和 3，直到中心点不再变化或达到预设的迭代次数。

优势

  • 简单易实现：K-Means 算法原理简单，易于实现。
  • 效率高：K-Means 算法计算速度快，适合处理大规模数据集。

应用场景

  • 市场细分：根据消费者的购买行为进行市场细分。
  • 图像识别：将图像数据聚类，用于图像分类。
  • 文本聚类：将文本数据聚类，用于主题建模。

代码示例

以下是一个使用 Python 实现 K-Means 算法的简单示例：

from sklearn.cluster import KMeans

# 创建 KMeans 对象
kmeans = KMeans(n_clusters=3)

# 拟合数据
kmeans.fit(X)

# 预测
y_pred = kmeans.predict(X)

相关链接

更多关于 K-Means 算法的知识，可以参考以下链接：

图片

中心点：

中心点

数据点：

数据点

簇：

簇