嘿，来聚个类！
所谓人以类聚，物以群分。人们都喜欢跟自己性格相合，爱好相同的人在一起。
俗称：处得来！靓仔， 我很中意你啊~
A 某和 B 某青梅竹马，A 某通过 B 某认识了 C 某，发现兴趣爱好出奇一致，这三人就搞到了一起，成为了一个形影不离的小团体。这个小团体的形成，是自下而上的迭代过程。
200 个人当中，可能有 10 个小团体，这些小团体的形成可能要好几个月。
这种「找朋友」的过程，就是今天我们要讲的主题：聚类算法。
聚类
聚类算法：就是把距离作为特征，通过自下而上的迭代方式（距离对比），快速地把一群样本分成几个类别的过程。
更严谨，专业一些的说法是：
将相似的对象归到同一个簇中，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起，不同数据尽量分离。
很显然，聚类是一种无监督学习。
为了防止新手看不懂，这里简单解释一下：
对于有标签的数据，我们进行有监督学习，常见的分类任务就是监督学习； 而对于无标签的数据，我们希望发现无标签的数据中的潜在信息，这就是无监督学习。
聚类是一种非常常用，且好用的算法。
举个例子：
给你 1 万张抠脚大汉的图片和 1 万张可爱萌妹的图片，这 2 万张图片是混在一起的。
好了，我现在想把所有可爱萌妹的图片全部扔掉，因为我只爱抠脚大汉！
这种时候，就可以用到聚类算法。
这是一个比较好理解的例子，专业一点的需求场景，比如人脸识别。
人脸识别需要大量的人脸数据，在数据准备阶段，就可以利用聚类算法，辅助标注 + 清洗数据。
这是一种常规的数据挖掘手段。
我对一些常见的聚类算法，进行了整理：
前面讲到，聚类算法是根据样本之间的相似度，将数据进行归类的。
而相似度的度量方法，可以大致分为：
距离相似性度量 密度相似性度量 连通相似性度量
不同类型的聚类算法，采用的样本间的相似度度量方法是不同的。
聚类算法很多，一篇文章无法讲述详尽，今天带大家从最基础的 Kmeans 学起。
K-Means
K-Means 是一个非常经典的聚类算法，别看它古老，但很实用。
这么说吧，我现在做项目，一些小功能，偶尔还会用到 K-Means。
K-Means 即K-均值，定义如下：
对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大
K-Means 聚类的步骤如下：
随机的选取K个中心点，代表K个类别； 计算N个样本点和K个中心点之间的欧氏距离； 将每个样本点划分到最近的（欧氏距离最小的）中心点类别中——迭代1； 计算每个类别中样本点的均值，得到K个均值，将K个均值作为新的中心点——迭代2； 重复步骤2、3、4； 满足收敛条件后，得到收敛后的K个中心点（中心点不再变化）。
K-Means 聚类可以用欧式距离，欧式距离很简单，二维平面就是两个点的距离公式，在多维空间里，假设两个样本为a(x1,x2,x3,x4...xn)，b(y1,y2,y3,y4...yn)，那么他们之间的欧式距离的计算公式是：
可以用下面的图很好地说明：
有 ABCDE 5个样本，一开始选定右边的 2 个初始中心点，K=2，大家颜色都不一样，谁都不服谁；
5 个样本分别对比跟 2 个初始中心点的距离，选距离近的傍依，这时 5 个样本分成红黑 2 群；
然后开始换老大啦，2 个初始中心点消失，重新在 2 个类分别中心的位置出现 2 个新的中心点，这 2 个新的中心点离类别里样本的距离之和必须是最小的；
新的老大出现，类别的划分也不一样啦，C 开始叛变，傍依了新老大，因为他离新老大更近一点；
新的老大消失，新新老大出现，发现划分的类别没有变化，帮派稳定，于是收敛。
用代码简单实现一下：
import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets.samples_generator import make_blobs
X, y_true = make_blobs(n_samples=300, centers=4,
cluster_std=0.60, random_state=0)
plt.scatter(X[:, 0], X[:, 1], s=50)
plt.show()
生成一些随机点。
然后使用 K-Means 进行聚类。
from sklearn.cluster import KMeans
"""
KMeans(n_clusters=8, init='k-means++', n_init=10, max_iter=300,
tol=0.0001, precompute_distances='auto', verbose=0,
random_state=None, copy_x=True, n_jobs=1, algorithm='auto')
Parameters:
n_clusters: 聚类个数
max_iter： 最大迭代数
n_init： 用不同的质心初始化值运行算法的次数
init： 初始化质心的方法
precompute_distances：预计算距离
tol： 关于收敛的参数
n_jobs： 计算的进程数
random_state： 随机种子
copy_x：是否修改原始数据
algorithm：“auto”, “full” or “elkan”
”full”就是我们传统的K-Means算法，
“elkan”elkan K-Means算法。默认的
”auto”则会根据数据值是否是稀疏的，来决定如何选择”full”和“elkan”,稠密的选 “elkan”，否则就是”full”
Attributes：
cluster_centers_：质心坐标
Labels_: 每个点的分类
inertia_：每个点到其簇的质心的距离之和。
"""
m_kmeans = KMeans(n_clusters=4)
from sklearn import metrics
def draw(m_kmeans,X,y_pred,n_clusters):
centers = m_kmeans.cluster_centers_
print(centers)
plt.scatter(X[:, 0], X[:, 1], c=y_pred, s=50, cmap='viridis')
#中心点（质心）用红色标出
plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.5)
print("Calinski-Harabasz score：%lf"%metrics.calinski_harabasz_score(X, y_pred) )
plt.title("K-Means (clusters = %d)"%n_clusters,fontsize=20)
plt.show()
m_kmeans.fit(X)
KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
n_clusters=4, n_init=10, n_jobs=None, precompute_distances='auto',
random_state=None, tol=0.0001, verbose=0)
y_pred = m_kmeans.predict(X)
draw(m_kmeans,X,y_pred,4)
聚类运行结果：
总结
K-Means 聚类是最简单、经典的聚类算法，因为聚类中心个数，即 K 是需要提前设置好的，所以能使用的场景也比较局限。
比如可以使用 K-Means 聚类算法，对一张简单的表情包图片，进行前后背景的分割，对一张文本图片，进行文字的前景提取等。
K-Means 聚类能使用的距离度量方法不仅仅是欧式距离，也可以使用曼哈顿距离、马氏距离，思想都是一样，只是使用的度量公式不同而已。
聚类算法有很多，且看我慢慢道来。
想看我讲解其它好玩实用的聚类算法，例如 CDP 等，不妨来个三连，给我来点动力。
我是 Jack，我们下期见。
推荐阅读
• 五年了• 万字长文，60分钟闪电战• 让猛男娇羞的AI算法