數據科學家須要瞭解的5大聚類算法

聚類是一種涉及數據點分組的機器學習技術。給定一個數據點集，則可利用聚類算法將每一個數據點分類到一個特定的組中。理論上，同一組數據點具備類似的性質或（和）特徵，不一樣組數據點具備高度不一樣的性質或（和）特徵。聚類屬於無監督學習，也是在不少領域中使用的統計數據分析的一種經常使用技術。本文將介紹常見的5大聚類算法。

K-Means算法

K-Means算法多是最知名的聚類算法，該算法在代碼中很容易理解和實現。

 

K-Means聚類

1.首先咱們選擇一些類或組，並隨機初始化它們各自的中心點。爲了計算所使用類的數量，最好快速查看數據並嘗試識別任何一個不一樣的分組。中心點是和每一個數據點矢量長度相同的矢量，上圖標記爲「X」。

2.每一個數據點是經過計算該點與每一個組中心的距離進行分類的，而後再將該點分類到和中心最接近的分組中。