K-means

一、K-means聚类步骤：

（1）选择k个初始聚类中心

（2）计算每个对象与这k个中心各自的距离，按照最小距离原则分配到最邻近聚类

（3）使用每个聚类中的样本均值作为新的聚类中心

（4）重复步骤（2）和（3）直到聚类中心不再变化

（5）结束，得到k个聚类

二、评价聚类的指标：

（1）inertias：是K-Means模型对象的属性，它作为没有真实分类结果标签下的非监督式评估指标。表示样本到最近的聚类中心的距离总和。值越小越好，越小表示样本在类间的分布越集中。

三、确定k的数目：

    手肘法的核心指标是SSE(sum of the squared errors，误差平方和)

def cal_k(self):

    SSE = []  # 存放每次结果的误差平方和
    for k in range(1, self.m+1):
        estimator = KMeans(n_clusters=k)  # 构造聚类器
        estimator.fit(self.data_cluster())
        SSE.append(estimator.inertia_)

    SSE=DataFrame(SSE)
    returns=np.abs(SSE/SSE.shift(1)-1)
    returns=returns.values[1:]
    mean_k=np.mean(returns)
    flag=True
    i = 0
    while flag:
        if returns[i] > mean_k:
            i+=1
        else:
            flag=False
    k=i+1
    return k

K-means

原文：https://www.cnblogs.com/hapyygril/p/9850414.html