1.K-Means

1.1API介绍

  1.      - estimator = sklearn.cluster.KMeans(n_clusters=8)
  2.         - 参数n_clusters
  3.            - 簇心数，缺省值8
  4.         - 方法：
  5.            - estimator.fit(x)
  6.            - estimator.predict(x)
  7.            - estimator.fit_predict(x)
  8.               - 计算簇心并预测每个样本属于哪个类别，相当于先fit再predict

1.2.评估方法

  1.      1. 误差平方和SSE
  2.         1. 越小越好
  3.         1. 拐点法（肘部法）：下降率突然变缓处，认为是最佳K值
  4.      2. SC，[-1,-1]值越大越好
  5.      2. CH，越大越好：追求簇心少，同时获得较好聚类效果

1.3.改进

  1.      1. Canopy
  2.         1. 通过绘制同心圆，进行k值选择刷选
  3.         1. 带参数t1,t2
  4.      2.  K-means++
  5.         1. 保证下一个簇心距离当前簇心最远
  6.      3. 二分k-means
  7.         1. 分割数据，设置SSE阈值，不满足继续分割
  8.      4. K-medoids：抗噪音
  9.      4. Kernel k-means：映射到高维
  10.      4. ISODATA：动态簇心数
  11.      4. Mini batch k-means：大数据分批聚类