什么是聚类？ 如何成为无监督学习的问题？ 聚类的属性 聚类在实际场景中的应用 了解聚类分析的不同评价指标 什么是 K 均值聚类？ 在 Python 从头开始实现 K-Means 聚类 K挑战均值算法 K-Means 用于为 K 均值聚类选择初始聚类质心 K平均值中如何选择正确的聚类数？ 在 Python 中实现 K-Means 聚类

银行把它的客户分类的过程就叫做聚类的过程

所以聚类就是分类 聚类是一个无监督的学习问题！

监督学习与无监督学习的区别： 监督学习是一种明确的训练方法，你知道你得到了什么；没有监督学习是一种没有明确目的的训练方法，你不能提前知道结果是什么。 监督学习需要标记数据；没有监督学习不需要标记数据。 由于目标明确，监督学习可以衡量效果；没有监督学习几乎无法量化效果。

在分类的基础上进一步细分

在X轴上，我们有客户收入，y轴代表债务金额。在这里，我们可以清楚地看到，这些客户可以细分为四个不同的集群

这就是聚类分析如何帮助从数据中创建细分（聚类）。银行可以进一步利用这些集群制定策略，并向客户提供折扣。因此，让我们来看看这些集群的属性：

1.聚类中的所有数据点应相似。 2.来自不同聚类的数据点应尽可能不同

case2更好，因为相似性更相似，不相似性更不相似

超级有用的聚类分析：

1.可以实现像素的相似聚类，以确定你是个人还是狗[外链图片存储失败，源站可能有防盗链机制，建议保存图片并直接上传(img-8gqfpkQG-1651131691592)(file:///E:/kpi/No.2 semester/MachineLearning/lab1/2.png)] 2.通过浏览时间，可以实现推荐机制，喜欢推荐相同类型的视频或音乐或网站或广告

如果有一堆需要聚类分析的指标呢？ 我们需要一个评估标尺(指标)evaluation metrics) [ 其实也是遵循着相似的靠的更近，不相似的靠的更远的原则 ]

1.惯性距离： 从一坨中心到每个点的距离总和

因为我们希望每个分类中的东西越相似越好，惯性距离越小越好，从中心到所有点的总距离越小越好

2.邓恩指数： 邓恩指数是因为要同时使相似的更近和不相似的更远。

除了理与点之间的距离外，Dunn该指数还考虑了两种聚类之间的距离。两种不同聚类的纹理之间的距离称为簇间距。让我们来看看邓恩指数的公式：

以上两种质地之间的距离越大越好，下面某个肿块的惯性之和越小越好

Dunn 该指数是簇间距(两种质心之间)的最小值与簇间距(惯性距离之和)的最大值之比。 我们希望最大化邓恩指数。Dunn指数值越大，聚类越好。

为了最大化 Dunn分子应该是指数值的最大值。在这里，我们取集群间距的最小值(惯性总和最小的块)。 因此，即使是最近的聚类之间的距离也应该更大，这最终将确保聚类相距甚远。

K 均值算法的主要目标是最小化点与各自的聚类质感之间的距离之和。 K平均算法是最小化每个肿块的惯性之和 (如何将一个点分配给某个聚类) 【不断重新选择质心，计算其他点到质心的距离，选择最优点后不再重新选择质心的计算过程】

1.一堆球，先确定要分几类 2.如果分为两类，随机选择两个球作为质感 3.以Dunn将球分配给质地的原则

4.在新的肿块中重新选择质地，重新分配

5.重复：选择新的质地，然后分配，迭代

计算纹理并根据它们与纹理的距离将所有点分配给聚类的步骤是迭代。但是等等 - 我们什么时候应该停止这个过程？它不能一直运行到永恒，对吗？

1.重新选择，分配了 N 第二，质地保持不变，就可以停止了 2.达到最大迭代次数 3.所有的点都不会在你自己的肿块里改变

这是本该有的分类BUT因为它太均匀，它变成了

还有： 在这里，红色聚类中的点分散，其他聚类中的点紧密挤在一起。现在，如果我们把它们应用到这些点上 k 平均值，我们将得到以下聚类：

换句话说，他可能无法完美地实现聚类 也有可能分为人工智能

因此，在上述所有场景中，我们可以有更多的数量，而不是使用三个集群。也许设置 k=10 可能会导致更有意义的聚类。 还记得我们是怎么在的 k 在均值聚类中随机初始化质感吗？嗯，这也是一个潜在的问题，因为我们每次都能得到不同的集群。因此，为了解决随机初始化的问题，有一种叫做K-Means 算法可用于为K-Means选择初始值或初始聚类质心。

【多了一个初始化质感的过程】 【K-Means 用于K-Means之前用公式D(x)2.更好地确定质地，然后使用它K-Means分配每一点

例： 让我们举个例子来更清楚地理解这一点。假设我们有以下几点，我们想在这里做三个集群：

现在，第一步是随机选择一个数据点作为聚类：

假设我们选择绿点作为初始纹理。现在，我们将计算每个具有以下纹理的数据点之间的距离（D（x））：

下一种质地将是它的平方距离 （D（x）2） 离当前质心最远的质心:

在这种情况下，红点将被选为下一个纹理。现在，为了选择最后一个纹理，我们将选择每个点与最近的纹理之间的距离，最大的平方距离将选择下一个纹理：

在初始化质感之后，我们可以继续使用它 K-Means 算法。使用 K-Means 初始化的质心往往会改善聚类。虽然它的计算成本高于随机初始化，但随后 K 平均收敛速度通常更快。

接下来，我们将假设从一个小的集群值开始 2。使用 2 计算模型惯性的个聚类训练模型，最后在上图中绘制。假设我们的惯性值约为 1000：

现在，我们将增加聚类的数量，再次训练模型，并绘制惯性值。这是我们得到的:

当我们将聚类值从 2 更改为 4 惯性值急剧下降。随着聚类数量的进一步增加，惯性值的下降会减少并最终变得恒定。 因此， 将惯性值降低为常数的聚类值可以选择数据的正确聚类值。

在这里，我们可以在6到10之间选择任何数量的集群。我们可以有 7 个、8 个甚至 9 一个集群。在确定聚类数量时，还必须检查计算成本。如果我们增加集群数量，计算成本也会增加。因此，如果您没有高计算资源，我的建议是选择数量较少的集群。

以上是我的K-Means&K-Means 课堂笔记 多多指教！