K-means

聚类，与其说他是机器学习，不如说是数据挖掘，对数据直接进行处理

前提假设：
假设你的数据分布是均匀的，不希望你的数据是稀疏或密集时候，用k-means是不理想的；对异常值比较敏感，对初始化也很敏感。
假设数据特征之间的联合分布是椭圆的，这个条件在真实世界很难满足。

K-means算法：

初始化 ：随机选择K个点，作为初始中心点，每个点代表一个group
交替更新：

• 计算每个点到所有中心点的距离，把最近的距离记录下来并
  赋把group赋给当前的点
• 针对于每一个group里的点，计算其平均并作为这个group的
  新的中心点。
  

问题4：K值如何选择：找Inertia的拐点

K-Means++

与k-means初始化不同：
1.从数据点中随机选择一个中心。
2. 对于每个数据点x， 计算D（x）， 即x与已经选择的最接近中心之间的距离。
3. 使用加权概率分布随机选择一个新的数据点作为新的中心，其中选择点 x
的概率与D（x）^2成正比。
4. 重复步骤2和3，直到选择了k个中心。
5. 现在已经选择了初始中心，继续使用标准k均值聚类。

例子：假设k=3时，

-->
-->
-->