K均值聚类

• 算法介绍

  基于距离度量的划分算法，将数据点分为k个簇，并尽可能使各簇内数据的距离平方和最小。

• 使用场景

  数据集中存在明显的簇结构或需要快速计算聚类时较优。

• 优势介绍

1. 速度较快，可以处理大规模数据集；
2. 对大多数数据集都比较适用。

• 劣势介绍

1. 需要先确定聚类个数k；
2. 对于非凸形状的聚类效果欠佳。

• 参数介绍

  仅支持通过可视化方式，配置读取该组件参数，参数详情如下表所示：

页签	参数	参数名称	是否必选	参数描述	默认值
数据源	表名	inputTable	是	数据表	无
默认参数	选择特征列	selectedColNames	是	输入表中选择特征列名类型。	无
模型参数	聚类数	n_clusters	是	生成的聚类数。	2
模型参数	最大迭代数	max_iter	是	执行一次k-means算法所进行的最大迭代数。	300
调优参数	初始化次数	n_init	是	用不同的聚类中心初始化值运行算法的次数，最终解是在inertia意义下选出的最优结果。	10
调优参数	初始化方法	init	是	指定初始化方法包含k-means++和random。有三个可选值：k-means++，random或者ndarray向量。k-means++用一种特殊的方法选定初始聚类中发，可加速迭代过程的收敛。random随机从训练数据中选取初始质心。如果传递的是一个ndarray，则应该形如 (n_clusters, n_features) 并给出初始质心。	k-means++
调优参数	收敛误差	tol	是	与inertia结合来确定收敛条件。	0.0001
调优参数	初始化质心	random_state	是	可选用于初始化质心的生成器。如果值为一个整数，则确定一个seed。此参数默认值为numpy的随机数生成器。	1
调优参数	是否不改变原数据	copy_x	是	设为True，则原始数据不会被改变。设为False，则会直接在原始数据上做修改并在函数返回值时将其还原。	True

• 推荐参数值

1. 聚类个数k值：2-20；
2. 初始聚类中心种子选择方式：k-means++，random等；
3. 最大迭代次数：500。

• 调参建议

1. 初始化方法对聚类结果的影响很大。可以采用k-means++、random、forgy、MacQueen等初始化方法来获得最优聚类结果；
2. 调整迭代次数和收敛条件，以保证算法的收敛性和泛化能力；
3. 对于高维数据集，可以尝试使用PCA或其他降维技术来减少特征数量，并提高聚类效果；
4. 可以尝试不同的距离度量，如欧氏距离、曼哈顿距离等，以找到最合适的距离度量方式；
5. 可以采用在K-Means算法之前进行层次聚类、密度聚类或模型聚类来筛选出优质种子点，能够有效提高K-Means的聚类性能。