机器学习聚类算法---K-Means算法

引言

先说个K-means算法很高大上的用处，来开始新的算法学习。我们都知道每一届的美国总统大选，那叫一个竞争激烈。可以说，谁拿到了各个州尽可能多的选票，谁选举获胜的几率就会非常大。有人会说，这跟K-means算法有什么关系？当然，如果哪一届的总统竞选，某一位候选人是绝对的众望所归，那自然能以压倒性优势竞选成功，那么我们的k-means算法还真用不上。但是，我们应该知道2004年的总统大选中，候选人的得票数非常接近，接近到什么程度呢？如果1%的选民将手中的选票投向任何一位候选人，都直接决定了总统的归属。那么这个时候，这1%的选民手中的选票就非常关键，因为他们的选票将直接对选举结果产生非常大的影响，所以，如果能够妥善加以引导和吸引，那么这很少的一部分选民还是极有可能会转换立场的。那么如何找出这类选民，以及如何在有限的预算下采取措施来吸引他们呢？

答案就是聚类，这就要说到本次要讲到的K-means算法了。通过收集用户的信息，可以同时收集用户满意和不满意的信息；然后将这些信息输入到聚类算法中，就会得到很多的簇；接着，对聚类结果中的每一个簇(最好是最大簇)，精心构造能吸引该簇选民的信息，加以引导；最后，再开展竞选活动