本篇文章给大家分享的是有关K 均值算法是如何让数据自动分组，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。
下面要介绍的K 均值算法是一种无监督学习。
与分类算法相比，无监督学习算法又叫聚类算法，就是只有特征数据，没有目标数据，让算法自动从数据中“学习知识”，将不同类别的数据聚集到相应的类别中。
1，K 均值算法
K 均值的英文为K-Means，其含义是：
K：表示该算法可以将数据划分到K 个不同的组中。
均值：表示每个组的中心点是组内所有值的平均值。
K 均值算法可以将一个没有被分类的数据集，划分到K 个类中。某个数据应该被划分到哪个类，是通过该数据与群组中心点的相似度决定的，也就是该数据与哪个类的中心点最相似，则该数据就应该被划分到哪个类中。
关于如何计算事物之间的相似度，可以参考文章《计算机如何理解事物的相关性》。
使用K 均值算法的一般步骤是：
确定K 值是多少：
对于K 值的选择，可以通过分析数据，估算数据应该分为几个类。
如果无法估计确切值，可以多试几个K 值，最终将划分效果最好的K 值作为最终选择。
选择K 个中心点：一般最开始的K 个中心点是随机选择的。
将数据集中的所有数据，通过与中心点的相似度划分到不同的类别中。
根据类别中的数据平均值，重新计算每个类别中心点的位置。
循环迭代第3，4步，直到中心点的位置几乎不再改变，分类过程就算完毕。
2，K 均值算法聚类过程
下面以一个二维数据点的聚类过程，来看下K 均值算法如何聚类。
首先，这里有一些离散的数据点，如下图：
我们使用K 均值算法对这些数据点进行聚类。随机选择两个点作为两个类的中心点，分别是红色x 和蓝色x：
计算所有数据点到这两个中心点的距离，距离红色x 近的点标红色，距离蓝色x 近的点标蓝色：
重新计算两个中心点的位置，两个中心点分别移动到新的位置：
重新计算所有数据点分别到红色x 和蓝色x的距离，距离红色x 近的点标红色，距离蓝色x 近的点标蓝色：
再次计算两个中心点的位置，两个中心点分别移动到新的位置：
直到中心点的位置几乎不再变化，聚类结束。
以上过程就是K 均值算法的聚类过程。
3，K 均值算法的实现
K 均值算法是一个聚类算法，sklearn 库中的 cluster 模块实现了一系列的聚类算法，其中就包括K 均值算法。
来看下KMeans 类的原型：
KMeans( n_clusters=8, init=& # 39; k - means + + & # 39;,, n_init=10, max_iter=300,, 托尔=0.0001,, precompute_distances=& # 39;弃用,,, verbose=0,, random_state=没有,, copy_x=True,, n_jobs=& # 39;弃用,,, algorithm='auto')K均值算法是如何让数据自动分组
