Day7：K-means分析

　　K-means的中文有人称作集群分析，但是主要都还是讲英文，比较容易懂。
　　这分析方法跟KNN很像，但是不同在於KNN是监督式学习，K-means是非监督式学习。监督与非监督的差别，前者是已经给了一些基本架构，从这基本架构中去学习，後者则没有，要自己找出资料中的规则，再来判断未知的数据。举例来说，如果今天操场上聚集很多人，监督式学习则会先把男女区分开来，教你什麽是男性、女性，这时候如果有人突然加入群组，则可以透过基本规则去定义他是男是女。然而非监督式学习则都不会说，要你自己去判断，将男女分开来，但是能透过其他人一次次的加入，使得群组有更好的归类，但有缺点就是可能会在一开始的分类的就出错，比如长得很像男生的女生，可能会不小心归类为男性，而导致会有些规则上的问题。
　　K-meas采非监督式学习，给予机器资料之後，另外在定义有几个族群，这样就可以了。采取方式是，会先定义每个资料，根据有几个族群暂定几个中心点，计算每个点到中心点的距离再进行归类，接着调整中心点，再计算各点距离如何，直到中心点位置不变，则训练完毕。
　　举例来说，若以得知以下的资料：

　　假设有两个族群，令这两个族群的中心点个别在c1(1,1)以及c2(1,2)，经过计算中心点和各别点的距离後，结果如下：

　　根据计算结果，归类在距离较小的那一类，若相同则随便，因此先将A归类为c1，BCD归类为c2。另外c1座标维持不变，c2座标更正为(4,3)，接着再计算这点的距离：

　　根据计算结果，B要归类在c1，其余不变。因此c1座标改为(1.5,1.5)，c2座标改为(5,3.5)，再次计算：

　　会发现结果不变，因此AB为一群，CD为一群。