机器学习学习笔记（十二）无监督学习K-means
当给出一组未经标记的数据，让程序自己去对其数据结构进行分析与分类（加上标签），就是无监督学习。
例如聚类就是无监督学习中的一个典型例子。
K-means算法
K-means算法(K均值算法)是现在使用最为广泛的聚类算法。
使用步骤如下：
首先随机选择两个点（分成两个聚类），称其为聚类中心；
K-means是一个迭代算法，它将不断进行簇分配与聚类中心移动。
1、簇分配
根据数据集中的点距离哪个聚类中心更近从而将其分为两类，例如：
2、移动聚类中心
分别将之前的两个聚类中心移动到它那个聚类的均值处。如图：
两个中心都移动到均值处。
之后再次重复第一步簇分配，重新根据数据点距离聚类中心的距离重新分类，之后再次移动聚类中心……
一直迭代下去，直到聚类中心不再移动，簇分配也不再变化，此时称此时K-means已经收敛了。
以较科学的方式描述K-means
K为簇数，即期望将未标记的数据分为几类的值；
具体算法：
1、随机初始化K个聚类中心Mu1,Mu2……MuK
重复以下的事情：
2、将x中的每个值根据距离Mu的距离分类（簇分配），距离公式如下：
\[min_k \left | x^{(i)}-\mu_k \right |^2\]
3、对于每个聚类中心重新规划在其对应聚类的平均值处。
K-means的实际用途
例如市场细分：
对于服装场来说，如果要将调查到的如上数据的人群分为大中小三个聚类，肉眼从图上看无法分开这三种尺寸。
使用K-means可以将其顺利分为3个聚类，
由此可以看到K均值的确可以比人更好的解决一些问题。