摘要：我们现在所处的时代是大数据时代，伴随着这样一个时代的到来，机器学习技术开始快速发展并广泛应用在我们的生活中，而聚类分析就是传统机器学习算法中常用的方法之一，聚类分析具有简单，实用和高效的功能，因此得到了广泛的支持和良好的应用，它用于许多领域，例如文档聚类，市场细分，图像细分和特征学习。因此本文选择对聚类分析中基于划分的K-均值算法进行研究。

本文研究内容主要包含以下几个方面：首先，分析选题的背景与意义，介绍数据挖掘和聚类算法等相关知识，理解并描述出K-均值算法的思想和过程；其次，通过广泛查找文献熟悉K均值算法在各个领域的应用，用python语言实现应用并突出K-均值算法在其中的作用；最后，结合K均值算法自身的缺陷，对算法进行改进。

本文在第一章介绍了该主题的背景和重要性以及国内研究的现状；第二章详细介绍了一些相关知识，比如数据挖掘和聚类分析的概念和类型，K-均值算法就属于其中的无监督学习；第三章详细描述了K-均值算法的思想过程，归纳了算法的优缺点，对二维数据实现聚类并分析聚类结果；分别从四个应用中突显出K-均值算法的实现作用，先是对热映电影《你好，李焕英》的影评提取特征值进行文本向量化从而实现聚类效果，将影评分为五类；再从京东的手机销售数据入手，以销售价格和评论数为特征进行聚类，分析出手机的畅销度；再对B站知识区职业职场类的视频数据包含播放量、点赞数、投币数、收藏数等特征进行聚类，挖掘出高价值的UP主，最后根据淘宝用户的行为利用RFM模型对用户进行聚类分层，有利于对不同的用户施行不同的方案。第四章从K-均值算法的K值和K个初始中心点的选择入手，对这两个不确定初始项进行优化改进，利用手肘法、轮廓系数法选择最优K值，以中心点应尽可能远为原则选取最优中心点。最后两章分别做了结论和致谢。

 

关键词：机器学习；数据挖掘；聚类分析算法；K-均值算法

 

目录

摘要

Abstract

第1章 绪 论 1

1.1背景与意义 1

1.2国内外发展（应用）现状 2

1.3论文所做工作及思路 3

1.4论文章节安排 3

第2章 相关知识介绍 4

2.1数据挖掘 4

2.1.1数据挖掘的定义 4

2.1.2数据挖掘的功能及意义 4

2.1.3数据挖掘算法的类型 4

2.2聚类分析 5

2.2.1聚类分析的定义 5

2.2.2聚类分析方法的类别 5

2.2.3聚类效果的评价指标 6

2.3数据爬虫与数据可视化 8

2.3本章小结 8

第3章 K-均值聚类算法的概述及应用 10

3.1K-均值聚类算法 10

3.1.1K-均值算法思想 10

3.1.2K-均值算法的优缺点 10

3.2K-均值算法的实现与应用 11

3.2.1K-均值算法的核心代码实现 11

3.2.2K-均值算法的应用之《你好，李焕英》影评聚类分析 14

3.2.3K-均值算法的应用之京东手机销售数据分析 20

3.2.4K-均值算法的应用之挖掘知识区职业职场类高价值B站UP主 23

3.2.5K-均值算法的应用之淘宝用户行为分析 26

3.3本章小结 29

第4章 K-均值聚类算法的改进与评估 30

4.1对K值的指定进行改进 30

4.1.1手肘法选取最优K值 30

4.1.2轮廓系数法选取最优K值 31

4.2对初始中心点的选取进行改进 31

4.3本章小结 33

第6章 结 论 34

致 谢 35

参考文献 36