机器学习课程笔记（六）

首先，随意猜测几个中心（有时中心的数量也是要猜测的）

其次，看所有的点离这个中心的间距是多少，找出所有离该中心点距离较近的那个，这样就把点分类了，比如假设有两个中心，那么就依据这两个中心把点分为两类。

再次，在这个基础上寻找使得点与中心距离的平方和最小的位置

这样就相当于重新确定了中心点的位置。

那么再根据这些中心的位置重复‘其次、再次’中的步骤，直到中心的位置稳定

对于randomly 分布的样本而言，初始点的位置选择非常重要：

skearn.cluster.KMeans(n_cluster = 8,.....，max_iter = 300,...,n_init = 10),

n_cluster这个参数表示的是中心点的数量。需要经常做调整。#最为重要

max_iter是最大的迭代次数

n_init是选择不同起始位置的次数

k-means的局限：

即使对于很明显的有确定个数的聚类数量时，依据不同的中心位置，依然可能形成与事实不符的分割方式，比如下面这两种情况：