前言
K-Means 是聚类算法中的最常用的一种，算法最大的特点是简单，好理解，运算速度快，但是只能应用于连续型的数据，并且一定要在聚类前需要手工指定要分成几类。
原理
假设有一些点分散在直线上，现在需要对这些点进行聚类分析。
聚类过程
第一步，想一下我们希望最终将这些点聚为多少类？
假设我们希望聚为3类
提前指定分类数，即K-means中K的含义
第二步，在这些点中随机选择3个点，作为初始簇(initial cluster)
第三步，计算第一个点f分别到这3个initial cluster的距离
第四步，将第一个点归属为距离最近的那个cluster
重复第三/四步
一一判断所有点的归属
第五步，计算每一个cluster的均值
然后像之前一样，通过计算每个点到这些均值的距离，重新判断每个点归属于哪个cluster
判断完每个点的归属之后，重新计算均值……判断归属……计算均值……判断归属……直到聚出来的cluster不再变化
在这个案例中，我们第一次随机的3个initial cluster就不再变化了，这是个巧合。一般而言，需要多轮均值计算后，cluster才会稳定。下面的案例便是。
判断聚类的好坏
很明显，上面的聚类效果很差，还不如我们肉眼聚类出来的效果。是否有办法判断不同聚类结果的好坏呢？
第一步，计算每一个cluster的总变差(total variation)
第二步，重新选择3个initial cluster，并且多次迭代判断cluster，计算total variation
第三步，多次重复上一步的内容，选择total variation最小的聚类结果
重复聚类的次数可以选择遍历所有点的组合，也可以设置固定数字
例如R中kmeans()函数中nclust参数代表尝试不同initial cluster的次数
选择最优K值
在本文的案例中，我们通过肉眼可以判断出K选择3比较好。但是如果我们自己无法判断时，如何处理？
一种方法是直接尝试不同的K值进行聚类
K=1是最差的一种结果，total variation此时最大
K=2的效果会稍微好些
随着K值增大，total variation也逐渐减小；当K=N(样本数)时，total variation降至0。
绘制total variation随K值变化的elbow plot
可以看出，K>3时，variation的降低速率明显降低。所以K=3是较好的选择。
多维数据K-means
二维平面上的点，可以通过欧式距离来判断聚类
然后同之前一般，计算平面上同一cluster的中心，重新判断点的归属，寻找中心……判断归属……
欧式距离的详细说明，可以参考Hierarchical Clustering
Heatmap K-means
对于热图相关数据，也可以通过欧式距离来判断样本的聚类
详细过程请参考Hierarchical Clustering
Reference
https://blog.csdn.net/huangfei711/article/details/78480078
https://www.biaodianfu.com/k-means-choose-k.html
https://www.youtube.com/watch?v=4b5d3muPQmA&feature=youtu.be
申明
本文是根据StatQuest系列视频整理而来
已获得Josh Starmer授权说明
感谢久久琼殷不辞辛苦将视频转载至B站
