聚类
无监督学习方法，对无人为处理的无标签样本，将相似样本提取特征并聚集
k-means算法
迭代算法，将无标签数据按潜在联系聚类
基本原理：
1.若要聚类生成k类，首先随机选取k个点，作为聚类中心，标记为k个类
2.对所有数据点，计算到k个中心的距离，选择最近的中心点，标记为此类
3.对k个类的每个类计算，重新选取中心点
4.重复2、3，直到满足条件为止。
聚类中心初始化方法：
forgy法（随机选择k个值作为初始质心）、
random partition法（随机选择k个点，并将样本划分为k个簇，有k个点和簇计算得到k个聚类中心）
k means++ 法（随机选择1个聚类点，计算选出其余点中到已有聚类点距离和最大的点最为新聚类点，重复直到选出k个聚类点）
扫描二维码关注公众号，回复：
6104114 查看本文章
距离计算方法
欧式距离法（x方加y方和的开方）
曼哈顿距离（x间差的绝对值+y间差的绝对值，|x1-x2|+|y1-y2|）
切比雪夫距离（x间差的绝对值与y间差的绝对值的最大值，max(|x1-x2|,|y1-y2|)）、
余弦距离（cosθ）、信息熵、明可夫斯基距离（曼哈顿距离、欧式距离、切比雪夫距离的通式）等等
停止条件：
迭代到足够次数
聚类中心不再变换
K值选择：
根据需要确定
计算各类的损失函数（到聚类中心的距离和），如果如左图所示有一个明显的转折点，选择转折点数为聚类个数k，若为右图，无明显合适分类数
