聚類分析是一種靜態(tài)數(shù)據(jù)分析方法，常被用于數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、模式識(shí)別等領(lǐng)域，聚類是一種無監(jiān)督式的學(xué)習(xí)方法。它是在未知樣本類別的情況下，通過計(jì)算樣本彼此間的距離（歐式距離,馬式距離，漢明距離，余弦距離等）來估計(jì)樣本所屬類別。從結(jié)構(gòu)性來劃分，聚類方法分為自上而下和自下而上兩種方法。聚類的算法有很多種，大約幾十種，K-means算法是十大經(jīng)典數(shù)據(jù)挖掘算法之一。

K-means算法是最為經(jīng)典的基于劃分的聚類方法，是十大經(jīng)典數(shù)據(jù)挖掘算法之一。它是一種自下而上的聚類方法。K-means算法最大的優(yōu)點(diǎn)是好理解、簡單、運(yùn)行速度快，但只能應(yīng)用于連續(xù)性的數(shù)據(jù)；缺點(diǎn)是聚類的結(jié)果與我們初始設(shè)置的中心點(diǎn)的選擇有直接關(guān)系，并且需要我們自己提供聚類的數(shù)目，但是可以通過多次聚類取最佳的結(jié)果來設(shè)定初始的聚類數(shù)目，如果當(dāng)我們不知道樣本集將要聚成多少個(gè)類別的時(shí)候，那么這時(shí)候不適合用kmeans算法，推薦使用其他方法來聚類，如（hierarchical 或meanshift）。

K-means算法的基本思想是：以空間中k個(gè)點(diǎn)為中心進(jìn)行聚類，對(duì)最靠近他們的對(duì)象歸類。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結(jié)果，大概就是這個(gè)意思，“物以類聚、人以群分”。具體流程如下：

首先輸入一個(gè)k的值，此值是我們自己設(shè)定的，k表示將數(shù)據(jù)集經(jīng)過聚類得到的分組個(gè)數(shù)。

從數(shù)據(jù)集中隨機(jī)選擇k個(gè)數(shù)據(jù)點(diǎn)作為初始中心點(diǎn)。

對(duì)集合中每一個(gè)數(shù)據(jù)點(diǎn)，分別計(jì)算與每一個(gè)初始中心點(diǎn)的距離，數(shù)據(jù)點(diǎn)離哪一個(gè)中心的越近，就歸類此類。

通過均值等方法對(duì)聚成的類再進(jìn)行新的中心點(diǎn)確定。

若新的中心點(diǎn)與原來的中心點(diǎn)之間的距離小于一個(gè)閾值（設(shè)置好的一個(gè)閾值），說明比較穩(wěn)定，那么此聚類達(dá)到了我們的期望，算法結(jié)束。

如果新的中心點(diǎn)與原來的中心點(diǎn)之間的距離很大，那么需要迭代以上的3-5步驟。

聚類基本流程圖

K-means算法的關(guān)鍵點(diǎn)在于初始中心的選擇和距離公式。

KMeans的應(yīng)用場景非常多，除了一般的聚類場景（例如對(duì)用戶進(jìn)行分群組等）外，我們還可以用KMeans實(shí)現(xiàn)單變量的離散化，因?yàn)橐话愕牡阮l和等距的離散化方法往往會(huì)忽略變量中潛在的分布特征，而基于聚類的離散化可以一定程度地保留變量的分布特征。