前面的文章中

Josnashak7290

我们已经学习了K近邻、朴素贝叶斯、逻辑回归、决策树和支持向量机等分类算法，也学习了线性回归等回归算法，其中决策树和随机森林也可以解决回归问题。 今天我们来学习聚类问题中最经典的K均值（K-means）算法，与前面学习过的算法不同的是，聚类算法属于无监督学习，不需要提前给数据的类别打标。 一、基本原理 假设有一个新开办的大学，即便还没有开设任何的社团，有不同兴趣爱好的同学们依然会不自觉的很快聚在一起，比如喜欢打篮球的、喜欢打乒乓球的、喜欢音乐的等等。 这时候就可以顺势开设篮球社团、乒乓球社团、音乐社团，再有同学想加入社团的时候，就可以直接根据自身兴趣选择社团了。

把这个场景迁移到机器学习上，拥有不同兴趣的学生就是数据样本，我们来试着来给他们归类。 向量空间中，距离近的样本意味着有更高的相似度，我们就把它们归为一类，然后用该类型所有样本的中心位置标识这个类别，再有新样本 阿富汗 WhatsApp 号码 进来的时候，新样本离哪个类别的中心点更近，就属于哪个类别，然后再重新计算确定新的中心点。 不断重复上述操作，就能把所有的数据样本分成一个个无交集的簇，也就是对所有数据样本完成了归类。 如何定义B端产品及B端产品经理方法论 相较于C端产品，B端产品最大的特点是：面向特定领域用户，且数量少得多，但更注重对用户专业领域操作流程的深度挖掘——也就是专业性更强，与业务的结合更紧密。





查看详情 > 这就是K-means算法的思路：根据距离公式计算n个样本点的距离，距离越近越相似，然后按这个规则把它们划分到K个类别中，让每个类别中的样本点都是更相似的。 我们把这K个类别叫做“聚类”，聚类的表现就是图中一组一组聚在一起的数据，“聚类”的中心位置叫做“质心”，质心代表了聚类内样本的均值。 需要注意的是，K-means算法中的K表示要分成K个聚类，那么如何确定K值就是一个绕不开的问题了。 其实没有统一的标准，我们一般根据个人经验来设定K值，也可以选几个有代表性的K值，然后选择效果最好结果对应的K值即可。 二、应用场景 电商业务中，精细化运营的前提是对用户进行分层，然后根据不同层次的用户采取不同的运营策略。