无监督学习 和监督学习不同的是，在无监督学习中数据并没有标签（分类）。无监督学习需要通过算法找到这些数据内在的规律，将他们分类。（如下图中的数据，并没有标签，大概可以看出数据集可以分为三类，它就是一个无监督学习过程。） 无监督学习没有训练过程。 聚类 ...

聚类是一种无监督的学习，它将相似的对象归到同一个簇中。它有点像全自动分类。聚类方法几乎可以应用于所有对象，簇内的对象越相似，聚类的效果越好 簇识别给出聚类结果的含义。假定有一些数据，现在将相似数据归到一起，簇识别会告诉我们这些簇到底都是些什么。聚类与分类的最大不同在于，分类的目标 ...

所属的类别以及每个类的质心。由于每次都要计算所有的样本与每一个质心之间的相似度，故在大规模的数据集上，K-M ...

我们之前接触的所有机器学习算法都有一个共同特点，那就是分类器会接受2个向量：一个是训练样本的特征向量X，一个是样本实际所属的类型向量Y。由于训练数据必须指定其真实分类结果，因此这种机器学习统称为有监督学习。 然而有时候，我们只有训练样本的特征，而对其类型一无所知。这种情况，我们只能 ...

K-均值聚类算法 聚类是一种无监督的学习算法，它将相似的数据归纳到同一簇中。K-均值是因为它可以按照k个不同的簇来分类，并且不同的簇中心采用簇中所含的均值计算而成。 K-均值算法 算法思想 K-均值是把数据集按照k个簇分类，其中k是用户给定的，其中每个簇是通过质心来计算簇的中心点 ...

　 ...

1)选取初始数据中的k个对象作为初始的中心，每个对象代表一个聚类中心： 2） 3） 4） 2.鸢尾花花瓣长度做聚类分析并用散点图显示出来 3.用sklearm包 ...

一．k均值聚类算法 对于样本集。"k均值"算法就是针对聚类划分最小化平方误差： 其中是簇Ci的均值向量。从上述公式中可以看出，该公式刻画了簇内样本围绕簇均值向量的紧密程度，E值越小簇内样本的相似度越高。 工作流程： k-均值算法的描述如下： 接下 ...