在聚类前，我们首选需要预置一个划分的数量，即k。然后进行k个区间的划分。目标是找到k个族群的划分方式，最终使得划分后的族群内的方差最小。
具体步骤如下：
- 步骤一：选定k个“种子”样本，作为初始的族群代表；
- 步骤二：把每个样本归入到距离最近的种子所在的族群；
- 步骤三：归类完成后，将新产生的族群的质心定为新的种子；
- 步骤四：重复步骤2和3，直到不需要移动
以上则完成了一个K-means聚类的全过程。
了解了上面的步骤，细心地朋友肯定要有疑问，初始值k如何进行确定呢？即应该聚类成几类才是最合理的？
上面的公式是族群内的方差和。我们的目标是使得方差足够小，但又不能是最小。因为其实当k=n时，达到最小，但这种聚类是相当于没有聚类了。
那该如何判断k的取值，使得方差足够小呢？
我们先来看看聚类数量和WGSS的关系，即如下的“碎石图”：
从这个图看的话，我们取k=3比较合适。因为在k=3的时候，族群内的方差和，下降的足够快，而再往后，基本没有太多的下降，也就意味着更多的族群没有太大的意义了。
另外，初始种子的选取其实也是很重要的，并不是随机选择k个就万事大吉了。为啥呢？
我们看一下下面的例子。
我们想对（a）图的样本进行聚类。很容易观测，若是在左下角和右上角分别取一个初始种子，应该可以很快完成最终（f）的聚类结果。
但是，如果选了（b）图的两个种子，可就比较“费劲”了，虽然最后也会达成（f）的效果，但是明显要经历更多的迭代过程。
因此，初始种子的选取，对于快速达成结果，是有着重要的意义的。更别说，有时初始种子选的不好，可能最后并不能达成全局最优的聚类结果。比如下图：
上面的例子中，初始的三个种子，有两个种子选在了上面的一个族群中，最终的结果就是无论怎么迭代，都无法将右下角的族群，分离出来了。
那具体有哪些方法能最大限度避免上面种子选取的问题呢？
- 方法一：在相互间隔超过某指定最小距离的前提下，随机选取k个个体；
- 方法二：选择数据集前k个相互距离超过某指定最小距离的个体；
- 方法三：选择k个相互距离最远的个体；
-
方法四：选择k个等距网格点，可能不是数据集的点
文章来源于首席数据科学家 ，作者NK冬至
本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流，内容版权归原作者所有，如涉作品、版权和其他问题请给「我们」留言处理。
