用k-means算法進行數據挖掘
k-均值聚類算法是一種數據挖掘和機器學習工具，用於將觀測聚類為相關觀測組，而無需事先了解這些關係。 通過採樣，算法試圖顯示數據屬於哪個類別或簇，其中簇的數量由值k定義。
k-均值算法是最簡單的聚類技術之一，它通常用於醫學成像，生物識別和相關領域。 k-均值聚類的優勢在於它能夠告訴你的數據（使用它的無監督形式），而不必在開始時指示算法關於數據（使用監督形式的算法）。
它有時被稱為Lloyd算法，特別是在計算機科學界，因為標準算法是由Stuart Lloyd於1957年首先提出的。術語“k-means”是由James McQueen於1967年創造的。
k-means算法的功能如何
k-均值算法是一種演化算法，從其操作方法中得名。 該算法將觀測聚類為k個組，其中k作為輸入參數提供。 然後根據觀測值與簇的平均值的接近度將每個觀測值分配給簇。 然後重新計算群集的意思，並重新開始該過程。 算法的工作原理如下：
- 該算法任意選擇k個點作為初始聚類中心（手段）。
- 根據每個點與每個聚類中心之間的歐幾里德距離，將數據集中的每個點分配給封閉聚類。
- 每個聚類中心重新計算為該聚類中點的平均值。
- 重複步驟2和步驟3，直到聚類收斂。 根據實現的不同，收斂的定義可能會有所不同，但通常意味著在重複步驟2和3時沒有觀察結果會改變聚類，或者這些改變不會對聚類的定義產生重大影響。
選擇群集數量
k- means聚類的一個主要缺點是必須指定聚類數作為算法的輸入。 按照設計，該算法無法確定合適的聚類數量，並取決於用戶提前識別此數量。
例如，如果你有一群根據二進制性別認同為男性或女性的人群，那麼使用輸入k = 3調用k- means算法將會迫使人們在只有兩個或三個k = 2的輸入將提供更自然的適配。
同樣，如果一組個體很容易根據歸屬狀態進行聚類，並將輸入k = 20稱為k-均值算法，則結果可能過於普遍而無法有效。
出於這個原因，嘗試使用不同的k值來確定最適合您數據的值通常是一個好主意。 您也可能希望在探索機器學習知識時探索使用其他數據挖掘算法 。