聚类分析：K-means算法及R语言实现

聚类分析：K-means算法及R语言实现

聚类分析是一种常用的无监督学习方法，用于将相似的数据点分组成具有内部相似性较高、组间相似性较低的簇。K-means算法是聚类分析中最常用的算法之一，它通过迭代优化的方式将数据点划分到K个簇中。本文将介绍K-means算法的原理，并提供R语言实现的源代码。

K-means算法的原理如下：

1. 随机选择K个初始质心（centroid），每个质心代表一个簇的中心点。
2. 针对每个数据点，计算其与每个质心之间的距离，将该数据点分配给距离最近的质心所代表的簇。
3. 根据新的数据点分配情况，更新每个簇的质心，即将每个簇中所有数据点的均值作为新的质心。
4. 重复步骤2和3，直到质心不再发生变化或达到预定的迭代次数。

下面是使用R语言实现K-means算法的源代码：

# 导入必要的包
library(cluster)

# 生成示例数据
set.seed(123)
data <- matrix(rnorm(200), ncol = 2)

# 设置簇的数量
k <- 3

# 使用K-means算法进行聚类
kmeans_result <- kmeans(data, centers = k)

# 打印聚类结果
print(kmeans_result)

# 绘制聚类结果
plot(data, col = kmeans_result$cluster, pch = 20)
points(kmeans_result$centers, col = 1:k, pch = 8, cex = 2)