solution

K聚类算法

过程

1. 随机选取k个样本作为聚类中心
2. 计算各个样本与各个聚类之间的欧式距离
3. 将各样本回归于预知最近的聚类中心
4. 求各个类之间的样本的均值，作为新的聚类中心。（通过求误差平方和的方式）
5. 判定：若类中心不再发生变动或达到迭代次数，算法结束，否则回到第二步

定K——随意定质心——计算点心距离——回归聚类中心——计算新聚类中心——判定

原理

在合理范围内，使得误差平方和最小或者组内平方和最小。

K值

可以使用手肘法（The Elbow Method）：

在合理范围内，对WCSS组内平方和生成的图像进行选点

K设置的越大，样本划分越细致，每个聚类聚合程度越高，WCSS组内平方和越小

K设置的越小，样本划分越梳离，每个聚类聚合程度越低，WCSS组内平方和越大

要求