dsc-k-means-clustering-seattle-ds-102819

K均值聚类 介绍 在本课程中，我们将学习最流行和广泛使用的聚类算法K-means聚类。 目标 你将能够： 比较集群网络的不同方法 解释K-means聚类算法背后的步骤 在scikit-learn中执行k-means聚类 说明如何评估集群 定义一个“肘图”及其解释方法 聚类 聚类技术是最流行的无监督机器学习算法之一。 群集背后的主要思想是，您希望通过以下方式将对象分组到相似的类中： 组内相似度很高（同一组成员之间的相似度很高） 组间相似度低（不同组的相似度低） 相似性是什么意思？ 您应该从距离的角度来考虑它，就像我们使用k-nearest-neighbors算法一样。 两点越近，它们越相似。 在分层和非分层聚类算法之间进行区分是很有用的： 在聚类分析中，聚集层次算法从n个聚类开始（其中n是观察数，因此每个观察是一个聚类），然后合并两个最相似的聚类，合并接下来的两个最相似的聚类，依此