SparkML机器学习之聚类（K-Means、GMM、LDA）
聚类的概念 聚类就是对大量未知标注（无监督）的数据集，按照数据之间的相似度，将N个对象的数据集划分为K个划分（K个簇），使类别内的数据相似度较大，而类别间的数据相似较小。比如用户画像就是一种很常见的聚类算法的应用场景，基于用户行为特征或者元数据将用户分成不同的类。 常见聚类以及原理 K-means算法 也被称为k-均值，是一种最广泛使用的聚类算法，也是其他聚类算法的基础。来看下它的原理： 既然要划分为k个簇，因此算法首先随机的选择了k个对象，每个对象初始的代表了一个簇的中心。其他的对象就去计算它们与这k个中心的距离（这里距离就是相似度），离哪个最近就把它们丢给哪个簇。第一轮聚类结束后，重新计算每个簇的平均值，将N中全部元素按照新的中心重新聚类。这个过程不断的反复，使得每一个改进之后的划分都比之前效果好，直到准则函数收敛（聚类结果不再变化）。 举个例子，10个男生我要分为2个类，我先随机选择2个男生a b，那么对于c，我分别计算他与a b 的相似度，假设和a最相似，那么我丢到a这个类里，经过第一轮，得到（1类）{a,c,e,f,i}（2类） {b,d,g,h,j}，现在我重新计算1类和2...
