【文件属性】：
文件名称：Python实现K-Means聚类
文件大小：3KB
文件格式：PY
更新时间：2022-06-29 15:40:22
python
一、实验目的
1．了解K-Means算法的基本原理
2．编程实现K-Means算法，实现数据集的无监督学习
二、实验任务内容
K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标（从而使其与该组中的其他项目相似，但与其他组中的项目不同）。
三、实验步骤
1、导入numpy、matplotlib(绘图)模块，定义欧氏距离公式，定义kmeans函数，生成
一个m阶的方阵，定义列的长度，初始化K个质心，创建（k,n）个以零填充的矩阵，计算列的质心
2、遍历所有数据找到距离每个点最近的质心，循环样本，找到距离最小的质心，如果任意一点的簇分配结果发生改变，则更新sanmpleTagChanged标志，遍历所有质心，更新取值，返回质心和点的分配结果
四、实验心得
对于kmeans算法，初始均值的设置和数据的输入顺序都会影响迭代的次数，但是不影响聚类的结果。k值的选取至关重要。
优点：原理简单、聚类效果优、可解释度强。