上一篇文章讲了层次聚类，今天再来说一下K均值（K-mean）聚类。虽然说目的都是为了聚类，但是他们的原理和展示方式都截然不同。其工作原理是K均值聚类的核心原理是：先指定要分成K类，然后通过迭代优化，让每个点归到离它最近的类中心，最后让类中心尽可能地代表这一类的数据点。
01 K均值聚类示例
在图1示例数据中，每一列为一个特征，是聚类计算的依据；每行为一个样本，需要对它们进行分类。
图2是轮廓系数，轮廓系数用于评估每个簇数的聚类质量，越高质量越好。
图3是K均值聚类结果，与层次聚类不同，K均值聚类采用展示方法的是降维散点图。
图4则展示了每个样品的聚类归属。
02 K均值聚类和层次聚类孰优孰劣？
K均值聚类的优点：效率高，速度快，适用于大样本数据，特别是当样本数量上千上万时，K均值能迅速完成聚类，适合大规模聚类。
K均值聚类的局限：必须自己设定聚类簇数，就像文中我们选取了轮廓系数最高的簇数；想要追踪样品归属的类别需要输出结果文件。
层次聚类的优点：层次可以不设定聚类数（也可以事先设定），首先生成一整棵树状图（dendrogram），你可以之后再决定切成几类，灵活性更高；可以观察到样本之间的聚类的过程以及具体归属，适合小样本精细分组分析。
层次聚类聚类的局限：不适合大规模数据集，当数据太多时，树状图展示的可读性就变得十分差。
03 如何选择聚类方法？
思考这三个问题，可以帮你快速决策：
一、数据量大吗？
大量样本 → 优先考虑K均值；
小数据、讲究解释性 → 可选层次聚类；
二、你是否希望保留层级结构信息？
如果你关心"谁和谁最像"、"谁是后来才分开的" → 层次聚类更合适。
三、你知道应该分几类吗？
知道 → K均值更快捷；
不知道 → 层次聚类搭配树状图更直观。
当然，无论哪种方法，轮廓系数都是一个推荐的聚类质量评价指标，可以辅助选择最合适的簇数。
TomatoSCI科研数据分析平台，欢迎大家来访！数据分析无需登录，专业在线客服答疑，还可在线传输文件，五折优惠码"tomatosci"开放使用中。PCA、RDA、PCoA、层次聚类等方法等你就位。
