聚类算法：k-Means与层次聚类详解
1. k-Means聚类算法概述
聚类的目标是在数据集中识别出不同的组，使得组内的观测值彼此相似，但与其他组的观测值不同。在k-Means聚类中，我们需要指定所需的聚类数量k，算法会将每个观测值精确地分配到这k个聚类中的一个。该算法通过最小化簇内变异（也称为惯性）来优化分组，使得所有k个聚类的簇内变异之和尽可能小。
由于k-Means在聚类过程开始时会随机地将每个观测值分配到k个聚类之一，不同的运行会导致略有不同的聚类分配。这种随机初始化是为了加速聚类过程。随机初始化后，k-Means会重新分配观测值到不同的聚类，以尝试最小化每个观测值与其聚类中心点（质心）之间的欧几里得距离。通常，k-Means算法会运行多次，并选择簇内变异总和最小的那次运行结果。
2. k-Means惯性分析
为了使用k-Means算法，我们需要设置一些参数，包括聚类数量（n_clusters）、初始化次数（n_init）、算法为了最小化惯性而重新分配观测值的最大迭代次数（max_iter）以及收敛的容差（tol）。以下是一段代码示例，用于测试不同聚类数量对惯性的影响：
# k-means - Inertia as the number of clusters varies from sklearn.cluster import KMeans import pandas as pd n_clusters = 10 n_init = 10 max_iter = 300 tol = 0.0001 random_state = 2018 n_jobs = 2 kMea
