詳細解釋
K-Means是最常用的聚類算法，將數據分為K個簇，最小化簇內平方和，簡單高效，但需要預設K值，對初始化和異常值敏感。
算法流程：
- 隨機初始化K個質心
- 分配：每個樣本到最近質心
- 更新：重新計算質心
- 重複2-3直到收斂
目標函數：
- 最小化簇內平方和
- 等價於最小化方差
初始化：
- 隨機：簡單但不穩定
- K-Means++：智能初始化
- 多次運行：選最好結果
選擇K：
- 肘部法則：誤差下降變緩
- 輪廓係數：分離度和緊密度
- 業務理解：實際意義
- 領域知識：指導選擇
局限：
- K值預設：需事先指定
- 球形假設：假設簇為球形
- 異常值敏感：影響質心
- 局部最優：依賴初始化
變體：
- Mini-Batch：大數據加速
- K-Medoids：對異常值魯棒
- 模糊C-Means：軟分配
- 二分K-Means：層次化
應用：
- 客戶分群：RFM分析
- 圖像壓縮：顏色量化
- 預處理：降維前聚類
- 異常檢測：遠離任何簇
K-Means是聚類分析的標準基線方法。