当前位置：首页 > news >正文

【机器学习】K-Means算法详解：从原理到实践

news 文章来源：https://blog.csdn.net/qq_44214428/article/details/139956477 2025/4/5 7:47:30

🌈个人主页: 鑫宝Code
🔥热门专栏: 闲话杂谈｜炫酷HTML | JavaScript基础
💫个人格言: "如无必要，勿增实体"

文章目录

K-Means算法详解：从原理到实践
- 引言
- 1. 基本原理
- - 1.1 簇与距离度量
  - 1.2 初始化与迭代
- 2. 算法流程
- 3. 参数选择与优化
- 4. 优缺点分析
- - 优点
  - 缺点
- 5. 实际应用案例
- - 5.1 客户细分
  - 5.2 文档分类
  - 5.3 图像分割
- 6. 结语

K-Means算法详解：从原理到实践

在这里插入图片描述

引言

K-Means是一种广泛应用于数据挖掘、机器学习领域的无监督学习算法，主要用于聚类分析。它的核心思想是将数据集划分为K个簇（cluster），每个簇内的数据相似度较高，而不同簇间的数据相似度较低。本文将深入浅出地介绍K-Means算法的基本原理、算法流程、优缺点、参数选择、优化方法以及实际应用案例，帮助读者全面理解和掌握这一经典算法。

1. 基本原理

1.1 簇与距离度量

簇：K-Means的目标是将数据集分割成K个互不相交的子集，每个子集即为一个簇。
距离度量：衡量数据点间相似度的标准，常用欧氏距离。对于高维数据，也可以采用其他距离度量方法，如曼哈顿距离、余弦相似度等。

1.2 初始化与迭代

初始化：随机选择K个数据点作为初始聚类中心。
迭代过程：
1. 分配：将每个数据点分配给最近的聚类中心所在的簇。
2. 更新：根据每个簇内数据点的均值（对于连续属性）或众数（对于离散属性）重新计算聚类中心。
终止条件：当聚类中心不再发生显著变化或达到预设的最大迭代次数时停止。

2. 算法流程

1. 设定聚类数量K，随机选取K个数据点作为初始质心。
2. 对于数据集中的每个数据点，计算其与所有质心的距离，将其归入最近的质心所代表的簇。
3. 重新计算每个簇的质心，方法是取簇中所有点的均值。
4. 检查质心是否发生变化。如果质心有变化，则返回步骤2；否则，结束，输出最终的簇划分结果。

以下是一个使用Python和scikit-learn库实现K-Means聚类算法的示例代码。这个例子包括了从数据准备、模型训练到结果可视化的基本流程。

首先，请确保已经安装了numpy, matplotlib, 和 scikit-learn 这几个必要的库。如果没有安装，可以通过运行 pip install numpy matplotlib scikit-learn 来安装它们。以下代码仅供参考🐶

# 导入所需库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs# 生成模拟数据集
# make_blobs 用于创建带有标签的数据集，这里我们忽略真实标签，仅用于演示
X, _ = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)# 使用KMeans进行聚类
kmeans = KMeans(n_clusters=4) # 设置聚类数量为4
kmeans.fit(X)# 预测每个样本的簇标签
labels = kmeans.predict(X)# 可视化聚类结果
plt.figure(figsize=(8, 6))
colors = ['r', 'g', 'b', 'y']
for i in range(4):plt.scatter(X[labels == i, 0], X[labels == i, 1], c=colors[i], label=f'Cluster {i+1}')# 绘制聚类中心
centers = kmeans.cluster_centers_
plt.scatter(centers[:, 0], centers[:, 1], c='black', marker='x', s=200, label='Centroids')plt.title('K-Means Clustering')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend()
plt.show()# 输出每个聚类中心的位置
print("Cluster Centers:")
print(kmeans.cluster_centers_)

这段代码首先生成了一个包含四个明显簇的数据集，然后使用KMeans类对其进行聚类，并通过颜色区分不同的簇。最后，它还绘制了每个簇的中心点。通过调整参数，您可以应用于自己的数据集上进行聚类分析。

3. 参数选择与优化

K的选择：肘部法则、轮廓系数、Calinski-Harabasz指数等方法可以帮助确定最优的K值。
初始化方法：除了随机选择，还可以采用K-Means++策略，以提高算法的稳定性和收敛速度。
避免局部最优：多次运行算法并选择最佳聚类结果，或采用Mini-Batch K-Means等变体来探索更多解空间。

4. 优缺点分析

优点

简单直观：易于理解和实现。
效率高：对于大规模数据集尤其有效，时间复杂度为O(nKI)，其中n是数据点数量，I是迭代次数。
可解释性强：输出直观，便于分析。

缺点

对初始质心敏感：不同的初始质心可能导致完全不同的聚类结果。
需要预先设定K值：实际应用中K的选择往往依赖经验或试错。
假设各簇为凸形状且大小相近：对于非球形簇或大小差异大的数据集表现不佳。
对异常值敏感：异常值可能会严重影响聚类中心的计算。

5. 实际应用案例

5.1 客户细分

电商平台通过分析用户的购买行为、浏览记录等数据，利用K-Means算法对用户进行分群，为不同群体提供个性化推荐和服务，提升用户体验和销售转化率。

5.2 文档分类

在文本挖掘领域，K-Means可以用来对文档集合进行主题分类。通过将文档转换为TF-IDF向量表示，然后应用K-Means算法，可以自动将相似主题的文档归为一类。
在这里插入图片描述

5.3 图像分割

在图像处理中，K-Means可用于图像分割，通过对像素颜色值进行聚类，可以识别出图像中的不同区域，适用于背景去除、图像简化等场景。
在这里插入图片描述

6. 结语

K-Means算法以其简单高效的特点，在众多领域展现了强大的实用价值。然而，针对其存在的局限性，研究人员不断提出改进方法，如二分K-Means、谱聚类等，以适应更复杂的数据结构和应用场景。掌握K-Means不仅是数据科学基础的重要组成部分，也是进一步探索高级聚类技术的基石。希望本文能为读者理解并应用K-Means算法提供有益的指导。

End