说到K-Means算法，咱就是说大家dou挺熟悉的，但真要自己实现一遍，你会发现细节比想象中多，哈哈！

算法流程包含初始化、分配geng新、收敛判断四大步骤:初始阶段随机选取K个数据点或随机生成K个质心;随后将每个样本依据欧氏距离分配至Zui近质心所属簇;再重新计算各簇中所有样本坐标的算术平均值作为新质心....

算法严格遵循 分配—geng新 双步迭代范式:在分配步骤中,每个样本被指派至欧氏距离Zui近的当前簇中心,即geng新隐变量c∈{1,…,k}表示第i个样本所属簇;在geng新步骤中,各簇中心μ_k被重置为....针对Exercise 6.1所给8个二维点{,,,,,,,}与初始中心、,需完整执行多轮迭代:第一轮分配后,点归属簇,其余四点归...

import numpy as np def initialize_centroids: # 从数据集中随机选择k个点作为初始质心 centroids = data return centroids def assign_clusters: # 计算数据点与质心之间的距离,并将数据点分配....return new_centroids def kmeans: # 初始化质心 centroids = initialize_centroids for _ in range: # 分配簇 cluster_labels = assign_clusters(data, centr...

它到底在干嘛

一句话：给 n 个点，自动分成 k 组，组内尽量近，无监督、没标签。核心就两步循环：

void kmeans {    while {        for                       // ① 分配            p.cluster = nearest;      //   归到Zui近的中心        bool moved = false;        for               // ② geng新            moved |= moveToMean; // 中心移到簇均值        if break;                        // 中心不动 → 收敛   }}

nearest 找Zui近中心，moveToMean 把中心挪到簇均值，if break Zuo收敛判定。逻辑就这么点，但魔鬼在细节。

距离别开方

比较「谁geng近」时用距离的平方就够了省掉每次 sqrt

double dist2 {    double dx = a.x - b.x, dy = a.y - b.y;    return dx * dx + dy * dy;   // 平方比较，省一次开方} K-Means的工程挑战及优化策略

初始化怎么选？为啥影响这么大？

"为什么百度不收录我的文章？"——这问题你懂的，有时候咱也纳闷！

"因为你的内容原创性不够，或者你的站点权重太低。"——这回答你信吗？反正我有时信，有时不信！

"那为啥我的文章有时候又Neng被收录呢？"——这个问题咱也不太清楚，你说是不？

"也许是运气，也许是百度那边的算法调整了。"——你kan，这回答是不是hen官方！

Zui朴素是随机选 k 个点当初始中心，但结果对初始值hen敏感，可Neng收敛到差的局部Zui优。两个常见Zuo法：① 多跑几次取Zui优 ；② 用 k-means++ ，让初始中心彼此尽量分散，质量geng稳。演示里用的是固定初始中心，方便kan清过程。 空簇要处理 geng新步里Ru果某个簇一个点dou没分到，均值就没法算。我的写法是这种情况下让中心本轮不动 bool moveToMean{double sx =,sy = ;int cnt = ;forif{sx += p.x ;sy += p.y ;cnt++;}ifreturn false;//空簇：本轮不动center.x = sx /cnt ;center.y = sy /cnt ;return true ;} 工程上geng激进的Zuo法是：把空簇的中心重置到「离现有中心Zui远的那个点」，避免白白浪费一个簇。 复杂度 每轮算 n 个点到 k 个中心的距离，O；跑 t 轮就是 O ，空间 O。t 一般不大，所以hen快。 几个踩坑 把分配、geng新、收敛逐帧画出来之后这算法是真的一目了然。这套可视化在某个某个地方…… 说实话，这算法细节挺多，但只要抓住核心的两步循环，就不难理解了。 正式开始 关于k-means 的理论知识，Ke以参考9神的文章，当然谷歌百度上也有hen多。推荐doukankan，集多家之所长，会让自己收获的geng多。我这里就不再赘述了 执行流程确定分类簇数k，可通过查kan散点分布随机选取质心点矩阵对数据集中每个点计算其与各质心的欧式距离，并将其划分至Zui近质心的类别根据划分结果重新计算每个类别的质心重复迭代，直至质心变化小于设定阈值或达到Zui大迭代次数 hen多人对 K-Means 的印象停留在「调个 sklearn 的 KMeans 就出结果」，但真要自己实现一遍，会发现细节比想象中多。这篇从工程视角把它拆开：核心循环、初始化、空簇、复杂度，外加几个容易翻车的点。 害，说来说去，还是得多实践，多kankan别人的实现代码，才Neng真正掌握这个算法，你说是不？