KMeans聚类描述
聚类是无监督学习，它将相似对象归到同一个簇中，簇内对象越相似，聚类的效果越好。KMeans算法中k表示聚类为多少个簇，means代表取每一个聚类中数据的均值作为该簇的中心或称为质心。
-
KMeans算法的流程：
（1）随机确定k个质心
（2）将数据集中每一个点找到距离其最近的质心，并将其分配到对应的簇
（3）每一个簇的质心更新为该簇中所有点的均值
（4）重复2，3直到质心无法再更新
3.图解
假设有九个点分位三类 k=3
（1）图中随机选择三个点
（1）
（2）把距离这三个点最近的其他点归为一类（簇）
（2）
（3）取当前类的所有点均值，作为中心点
（3）
（4）更新距离中心点最近的点
（4）
（5）再次计算被分类点的均值作为新的中心点
（5）
（6）再次更新距离中心点最近的点
（6）
（7）计算中心点
（7）
（8）直到所有点无法再更新到其他分类时，算法结束。
sklearn实现鸢尾花的KMeans聚类
from sklearn import datasets
iris = datasets.load_iris()
#print(iris)
#print(iris.data,type(iris.data))
#print(iris.target,type(iris.target))
#print(iris.target_names,type(iris.target_names))
#print(iris.feature_names,type(iris.feature_names))
#使用交叉验证，把数据集分位训练样本和测试样本集
from sklearn.model_selection import train_test_split
xtrain,xtest,ytrain,ytest = train_test_split(iris.data,iris.target,test_size=0.1)
#建立模型
from sklearn.cluster import KMeans
model = KMeans(n_clusters=3)
model.fit(xtrain)
pre = model.predict(xtrain)
center = model.cluster_centers_
print(pre,center)
