11.5.4 聚类
聚类算法是一种无监督学习任务，用于将对象分到具有高度相似性的聚类中。
该算法主要用于数据探索（查看一个新数据集是什么样子）以及异常检测（识别与任意聚类都相距较远的点）。
监督式任务中的数据都是带标签的，而聚类可以用于无标签的数据。
K-Means 算法
MLlib 包含聚类中流行的 K-means 算法，以及一个叫作 K-means|| 的变种，可以为并行环境提供更好的初始化策略。
K-means 中最重要的参数是生成的聚类中心的目标数量 K。
事实上，你几乎不可能提前知道聚类的“真实”数量，所以最佳实践是尝试几个不同的 K 值，直到聚类内部平均距离不再显著下降为止。
除了 K 以外，MLlib 中的 K-means 还接收以下几个参数。
-
initializationMode
用来初始化聚类中心的方法，可以是“k-means||”或者“random”； k-means|| （默认值）一般会带来更好的结果，但是开销也会略高一些。 - maxIterations
运行的最大迭代次数（默认值： 100 ）。 - runs
算法并发运行的数目。MLlib 的 K-means 算法支持从多个起点并发执行，然后选择最佳 结果，这也是获取较好的整体模型的一种不错的方法（K-means 的运行可以停止在本地 最小值上）。
当你要调用 K-means 算法时，你需要创建 mllib.clustering.KMeans 对象（在 Java/Scala 中）或者调用 KMeans.train （在 Python 中）。
它接收一个 Vector 组成的 RDD 作为参数。
K-means 返回一个 KMeansModel 对象，该对象允许你访问其 clusterCenters 属性（聚类中心，是一个向量的数组）或者调用 predict() 来对一个新的向量返回它所属的聚类。
注意， predict() 总是返回和该点距离最近的聚类中心，即使这个点跟所有的聚类都相距很远。