非监督学习-聚类算法-Kmeans

K均值聚类算法是一种用于将数据集中的数据点分成不同组的方法。这些组通常称为簇。这个算法的核心思想是把相似的数据点放在同一个簇中，从而把数据分成几个组，每个组内的数据点彼此相似。

这是一个简单的K均值聚类过程：

1. 选择簇的数量(K)：首先，将数据分成k个簇。

2. 随机选择K个点作为初始簇中心：从数据集中随机选择K个数据点，每个数据点将成为一个簇的中心。

3. 将每个数据点分配到最近的簇：对于每个数据点，找到离它最近的那个簇中心，然后将该数据点分配到该簇中。

4. 更新簇中心：计算每个簇中所有数据点的平均值，得到新的簇中心。

5. 重复3和4：重复步骤3和步骤4，直到簇中心不再发生显著变化或达到一定的迭代次数。

6. 得到最终的簇分配结果：当算法停止时，每个数据点都将分配给一个簇，这就是最终的聚类结果。

 

终止条件：直到簇不再改变或只有很小的改变

K均值聚类的目标是将相似的数据点放在同一个簇中，并且簇中的数据点彼此之间尽量相似。这有助于识别数据中的模式和结构，例如在市场分析中识别不同类型的客户群体。

使用KMeans类创建一个K均值聚类模型，指定要将数据分成的簇的数量（在这里是3个簇）。
使用fit方法将生成的数据拟合到K均值模型中，以执行聚类。