回归与聚类算法————无监督学习-K-means算法

目录

1、 无监督学习

2、 K-means原理

3，API

4、Kmeans性能评估指标

4.1 轮廓系数

4.2 轮廓系数API

5， 总结

---

1、 无监督学习

没有目标值的，从无标签的数据开始学习的

• 聚类
  • K-means(K均值聚类)
• 降维
  • PCA

2、 K-means原理

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，未知的点选择最近的一个聚类中心点作为标记类别
3. 接着对着标记的聚类中心之后，重新计算出每个聚类的新中心点（平均值）
4. 如果计算得出的新中心点与原中心点一样，那么结束，否则重新进行第二步过程

3，API

from sklearn.cluster import KMeans

• KMeans(n_clusters=8,init=‘k-means++’)
  • n_clusters:开始的聚类中心数量
  • init:初始化方法，默认为  'k-means ++’
  • labels_:默认标记的类型，可以和真实值比较（不是值比较）