K-Means算法是无监督的聚类算法，它实现起来比较简单，聚类效果也不错，因此应用很广泛。K-Means算法有大量的变体，本文就从最传统的K-Means算法讲起，在其基础上讲述K-Means的优化变体方法。包括初始化优化K-Means++, 距离计算优化elkan K-Means算法 ...

K-Means 概念定义： K-Means 是一种基于距离的排他的聚类划分方法。 上面的 K-Means 描述中包含了几个概念： 聚类（Clustering）：K-Means 是一种聚类分析（Cluster Analysis）方法。聚类就是将数据对象分组成为多个类或者簇 ...

1.原文：http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006910.html K-means也是聚类算法中最简单的一种了，但是里面包含的思想却是不一般。最早我使用并实现这个算法是在学习韩爷爷那本数据挖掘的书中，那本书比较注重应用 ...

聚类分析是在数据中发现数据对象之间的关系，将数据进行分组，组内的相似性越大，组间的差别越大，则聚类效果越好。 不同的簇类型 聚类旨在发现有用的对象簇，在现实中我们用到很多的簇的类型，使用不同的簇类型划分数据的结果是不同的，如下的几种簇类型。 明显分离的 可以看到(a)中不同组中任意两点 ...

K-means聚类算法（K-平均/K-均值算法）是最为经典也是使用最为广泛的一种基于距离的聚类算法。基于距离的聚类算法是指采用距离作为相似性量度的评价指标，也就是说当两个对象离得近时，两者之间的距离比较小，那么它们之间的相似性就比较大。 算法的主要思想是通过迭代过程把数据集划分为不同的类别 ...

1.K-Means定义： K-Means是一种无监督的基于距离的聚类算法，简单来说，就是将无标签的样本划分为k个簇（or类）。它以样本间的距离作为相似性的度量指标，常用的距离有曼哈顿距离、欧几里得距离和闵可夫斯基距离。两个样本点的距离越近，其相似度就越高；距离越远，相似度越低。 目的是，实现簇 ...

　　首先要来了解的一个概念就是聚类，简单地说就是把相似的东西分到一组，同 Classification (分类)不同，对于一个 classifier ，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具备对未知数 ...

一、思想 聚类：人以群分、物以类聚，使得簇内的距离接近，簇间距离远。 可以做推荐冷启动，区域推荐热榜、用户画像 二、算法步骤： 1、随机设置K个特征空间内的点作为初始的聚类中心 2、对于其他每个点计算到K个中心的距离，从中选出距离最近的⼀个点作为⾃⼰的标记 3、接着对着标记 ...