在无监督学习中，样本的标签是未知的，也就是说因变量不像监督学习中有明确的标注，比如房价多少，相亲见或不见，鸢尾花所属类别等等。但在现实生活中，我们很难获取到都经过标注的样本数据或者标注数据成本很高，这时候无监督学习就派上用场了。聚类分析是最常见的无监督学习方法之一，而在聚类分析中最常用的就是K-means聚类。或许很多同学早就听说过或者使用过K-means聚类了，K-means聚类原理简单，应用广泛，非常适合用来入门无监督学习。下面就给大家简单下介绍到底什么是K-means聚类。
俗话说，物以类聚，人以群分。在无监督学习中也是一样。聚类是按照某一个特定的标准（比如距离），把一个数据集分割成不同的类或簇，使得同一个簇内的数据样本的相似性尽可能大，不同一个簇内的数据样本的相似性尽可能小。
K- means算法具体实现过程：
1、 随机设定k个初始聚类中心（簇中心），k代表簇的数量；
2、 对每个样本数据，计算其与各簇中心的距离，将每个样本划分给距离最近的簇；
3、 重新计算每个簇的平均值作为新的簇中心，更新原来的簇中心；
4、 重复以上二三两个步骤不断迭代，直到各簇中心不再变化（收敛）。
现在我们随机造了一批数据用来作为K-means聚类的输入样本，下面我们一起来看看K-means是如何实现聚类的。
聚类结果如下，我们把输入样本划分为5个类别（簇），其中每种颜色代表其中一个类别，每个类别的中心交叉点表示聚类中心。可以看到5个簇之间划分还是比较明显的，说明K-means聚类算法确实能把原来杂乱无章的数据很好地经过聚类划分开来，达到了聚类的目的！
Ok，完美！结束?
