邵小青 贾钰峰 章蓬伟 丁 娟

（新疆科技学院信息科学与工程学院，新疆 库尔勒 841000）

1 概述

机器学习中有两类大问题：一个是聚类，另一个是分类。聚类是统计学的概念，属于非监督机器学习(unsupervised learning)，应用中数据挖掘，数据分析等领域，根据数据不同特征，将其划分为不同的数据类，属于一种无监督学习方法。它的目的是使得属于同一类别个体之间的密度尽可能的高，而不同类别个体间的密度尽可能的低[1]。分类是用已知的结果类别训练数据，对预测数据进行预测分类，属于有监督学习（supervised learning），常见的算法如逻辑回归、支持向量机、深度学习等。聚类也是对数据进行归类，不过聚类算法的训练数据只有输入，事先并不清楚数据的类别，通过特征的相似性对文本进行无监督的学习分类。聚类试图将数据集中的样本划分为若干个通常不相交的子集，每个子集称为一个簇（cluster）[2]。K-means 属于经典聚类算法,根据样本间的距离或者相异性进行聚类，把特征相似的样本归为一类，相异的样本归为不同的簇。

2 理论基础

While(t) t 为迭代次数

For i in range(n+1): #n 为样本点个数。

For j in range(k+1): #k 为簇的数目。

For i in range(k+1): #计算样本i 到每个簇质点j 的距离。

找出属于这个簇中的所有数据点，计算这类的质心。重复以上步骤，直到每类质心变化小于设定的阈值或者达到最大的迭代次数。设置最大特征数，设置分类的组K 值，训练特征数据进行数据分析。

本文将数据过滤清洗，去除停用词转化为向量模型，使用TF-IDF 算法对词频进行权重计算，TF 是词频，IDF 是逆文档频率，TF-IDF 反应了一个词在文本中的重要性它的值是TF×IDF。……