一、Unsupervised Learning: Introduction（非监督学习简介）
之前介绍的线性回归、logistic回归以及神经网络等都是监督学习的例子，通过给出一系统样本，通过这些样本去训练模型进行预测，在这些样本中，是包含y标签的，即实际值。
在非监督学习中，我们给一系列样本数据，在这些数据中，区别于监督学习最明显的特征便是没有这些实际值，我们通过聚类或者其他方式去将这些样本分类。
二、K-Means Algorithm（K-Means算法）
下面通过一个图形例子引入K-Means算法，如下图：
下面是K-Means算法的输入，以及具体步骤，主要分为簇心的初始化和簇心的移动。
既然我们要让簇心μ_k移动到分配给它的那些点的均值处，如果存在一个没有点可以分配给它的聚类中心，那怎么办呢？
一般情况下，我们会选择直接移除这个簇心，但是如果这样，我们将会得到K-1个簇而非K个，如果你仍需要得到K个簇，那么可以通过重新找一个簇心来使全部簇心个数为K，不过，直接移除簇心是最常见的用法。（在实际情况中，这种情况很少会发生）。
上面讲的例子，样本是分开成几部分的，那么对于没有明显分开的样本，我们可以使用K-Means进行分类吗？
即使是对于右边这种没有明显分开的例子，我们仍能够使用K-Means将其分为3类，若需要进行小、中、大号的服装设计，则可以根据这3个分类来确定具体的尺寸大小
三、Optimization Objective（优化目标）
下图是几个字母的含义，以及优化目标函数
下图讲解了K-Means过程中是怎样使优化目标函数达到最小值的。
四、Random Initialization（随机初始化）
初始化规则：
（1）K＜m
（2）随机挑选k个训练样本
（3）令μ_1，μ_2，...，μ_k等于这k个样本。
如下图，随机选择的可能结果，
在初始化的时候，有时候我们能够得到
在上图中，如果情况比较好，可能会初始化簇心，使得K-Means能够得到全局最优解。
但是在情况不好的时候，可能会出现下面两种情况，即出现局部最优解，为了避免这种情况，我们需要多次地尝试初始化。
五、Choosing the Number of Clusters（如何选择聚类的数目？）
面对同样一个数据集，有的人可能觉得觉得分成4类，即K=4，而有的人可能会觉得分成2类，即K=2，如下图：
那么我们应该如何确定K值呢？
方法一：Elbow method（这个方法可能只能偶尔适用，有时候是不能够通过这种方法确定K的值得），如下图：
如果J随着K值的变化出现左图的情况，即存在一个K值，能够明显看到J的变化，这时候可能选择K=3作为K的值。而，如果J随着K值的变化出现右图所示的情况，则我们没有办法确定K的值，此时肘部判断法失效。
因此，我们经常使用确定K的方法是下面的方法，即根据我们的需求和目的来确定K，同样我们拿衣服尺寸来进行分类：
左图中K=3，右图中K=5，我们经常通过K=？时，顾客最多，销量最高，或者顾客更满意呢这些因素来确定。
K的选择我们大多数时候还是通过手工方式进行选择（因为Elbow method只适用于部分情况，如果可以的话，可以使用Elbow method），更好的方法是根据你的目的判断K=？才是最能够达到你的分类目的的。
六、KMeans的优缺点
优点：
（1）算法效率较高，可以适用于大规模数据
缺点：
（1）KMeans只能处理数据本身的团子是凸的情况，对于是凹形状的聚类，KMeans无法解决，如下图：
如上图所示，若2个黑色圆圈是2个聚类中心，则使用KMeans聚类会将红色箭头方向的数据聚集到左边圆圈上，而蓝色箭头方向的数据会数据聚集到右边黑色圆圈所在的聚类中心上，但是若数据自身的聚类特点类似红色曲线部分，即聚类是凹的，则使用KMeans得到的结果将与真实结果相距较大。
（2）对于某一个聚类大且疏的数据无法得到好的聚类结果，如下图：
这种情况，对于右侧红色的类，KMeans可能会将其离黑色部分近的数据分给黑色的簇，导致结果出现误差。