无监督学习----K-means算法

无监督学习

：是指在未加标签的数据中，根据数据之间本身的属性特征和关联性对数据进行区分，相似相近或关联性强的数据放在一起，而不相似不相近、关联性不强的数据不放在一起。
应用场景：降维，聚类算法，关联算法
有监督学习和无监督学习的区别：

• 有监督学习：

分类问题，要求实现必须明确知道各个类别的消息，建立的前提是待分类项都有一个类别都与之对应，但实际上分类问题获取到的数据记录对应的类别信息无法明确，大数据处理的数据是海量的，信息提交可能不完全

• 无监督学习：
  最常见的是聚类问题，不依赖预定义的类和标号的训练示例
  so
  可以先用无监督学习打标签，再用有监督学习进行分类

聚类分析

定义：聚类分析是分析研究对象（样品或变量）如何按照多个方面的特征进行综合分类的一种多元统计方法，它是根据物以类聚的思想将相似的样品（或变量）归为一类。
把对象分为不同的类别，类别是依据数据的特征确定的。
把相似的东西放在一起，类别内部的差异尽可能小，
类别之间的差异尽可能的大。

作用：

• 作为单独过程，对数据进行打标