K-means算法、K-means++算法

~ 在数学建模竞赛中，为了处理特征相关性高的问题，你打算使用K-means和K-means++算法进行特征聚类。选定的数据集来自“华为杯”竞赛的D题，特征数量为20个。K-means算法需要预先指定类别数k，如k=4，通过计算每个数据点到预设质心（初始选择或K-means++改进）的距离进行分类。然而，K-means的初始质心选择对其结果有显著影响，K-means++通过考虑样本点与现有质心的距离进行改进，以提高聚类的稳定性。

以下是两种方法的实施步骤：

- 使用K-means算法：

1. 导入数据，选择k=4个随机特征作为初始质心。

2. 迭代计算每个数据点与质心的距离，归属最近的类别。

- 使用K-means++：

1. 改进初始化，优先选择距离已选质心较远的样本点作为新质心。

2. 对数据进行预处理，如标准化到0-1范围，以观察单个变量的变化。

在实际应用中，你运行了五次，结果可能会有所差异，但这是算法的正常现象。为了更好地理解变量间的关系，你对数据进行了预处理，并在k=3时观察了结果。

通过这些步骤，你能够更好地分析特征之间的关联性，为后续的建模提供更有意义的特征集。

---

K-means算法、K-means++算法视频