大数据分析算法研究：K-Means ，算法小白成长记 ~

K-Means是聚类算法中的最常用的一种，最大的特点是简单、好理解、运算快，但是只适用于连续型的数据，并且一定要在事先确定数据集要分成几类（k）。

本质上，聚类也是一种数据分类算法，聚类和分类最大的不同在于“分类的标准是已知的，而聚类并不知道具体的分类标准”，聚类是通过算法来判断数据之间的相似性，将相似的数据放在一组。

一、K-Means 的算法逻辑：

1、确定k值，即我们希望将数据集经过聚类得到几个分组（比如优良中差）。

2、从数据集中随机选择k个数据点作为带头大哥（K-Means中叫质心）。

3、对集合中每一个小弟，计算它与每个大哥的距离，离哪个大哥距离近，就跟定哪个大哥，形成K个分组。

4、不断循环运算，每次每个分组各选一个新大哥，如果新大哥和老大哥之间的距离小于某一个设置的阈值，则认为聚类结果达到预期，算法结束，将各组数据按最终结果分类。

二、K-Means的几个关键问题：

1、K值确定：取决于个人的经验，通常的做法是多尝试几个K值，或由业务专家基于分析目标来确定。

2、初始的K个质心确定：（1）随机选择，（2）选择彼此距离最远的点，先选第一个点，然后选离它最远的作为第二个点，然后两点连线，选距离他们两个点的距离之和最小的点作为第三个点以此类推。（3）根据其他聚类算法得到的聚类结果来确定K值。

3、要进行数据的标准化，包括（1）将数据按比例缩放，使之落入一个小的特定区间，比如X和Y值差异很大，X是1到10之间的数，Y是1000以上的数，（2）去除数据的单位限制，将其转化为无量纲的数值，比如X的单位是米，Y是吨。

后续我会继续分享大数据算法方面的内容，有共同兴趣的可以持续关注，当然算法最终也是为业务、为管理服务，而如何做业务开发、如何做好企业管理，需要一些方法工具的支持，这样才能事半功倍。

比如我的高效能职场人士工具箱专栏，内容就包含麦肯锡、埃森哲的方法论和实战案例，比如金字塔原理、麦肯锡方法、麦肯锡提问术、埃森哲大数据分析等方法，欢迎点击下方的看一看订阅购买，获取配套的方法工具。