K-means超級好用～～可以應用於許多領域和數據集～～

K-means 是一種簡單且廣泛使用的聚類（Clustering）算法，目標是將一組數據劃分為 K 個不同的群體，使得每個數據點屬於與其最接近的群體。
初始化：隨機選擇 K 個數據點作為初始的群體中心（centroid）。
分配：對於每個數據點，計算其與每個群體中心的距離，並將其分配到最近的群體中心所在的群體中。
更新中心：對於每個群體，計算其所有成員的平均值，並將這個平均值作為新的群體中心。
重複：重複步驟 2 和 3，直到群體中心不再發生變化或達到一個預先定義的停止條件（如最大迭代次數）。
收斂：一旦群體中心不再發生變化，算法收斂，並且每個數據點都被分配到了一個群體中。

• 顧客分群：在市場營銷中，可以使用 K-means 將顧客分成不同的群體，以便針對每個群體制定不同的營銷策略。
• 圖像分割：將圖像分成具有相似特徵的區域，這在計算機視覺和圖像處理中很常見。
• 新聞主題分類：將新聞文章分類到不同的主題群體中，可以幫助人們更容易找到感興趣的新聞。
• 客戶購買行為分析：可以通過將客戶根據其購買行為聚類為不同的群體，來了解不同群體的購買習慣和偏好。
• 影像壓縮：使用 K-means 將圖像中的顏色進行聚類，可以實現對圖像的壓縮。
• 推薦系統：根據用戶的行為和偏好，將用戶分為不同的群體，然後向每個群體推薦相關的內容或產品。
• 維度縮減：K-means 可以用於對高維數據進行降維，以便更好地進行視覺化或後續分析。
• 運輸和物流：將貨物或運輸路徑分成不同的群體，以優化運輸和物流策略。

from sklearn.datasets import load_digits
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 載入手寫數字數據集
digits = load_digits()
X = digits.data
y = digits.target

# 初始化 K-means 模型，指定要分為幾個群體（這裡指定為 10，因為我們要分類 0 到 9 的數字）
kmeans = KMeans(n_clusters=10, random_state=42)

# 進行 K-means 聚類
kmeans.fit(X)

# 獲取聚類結果
labels = kmeans.labels_

# 繪製聚類中心（這裡展示了每個群體的平均數字）
fig, axes = plt.subplots(2, 5, figsize=(8, 4))
for i, ax in enumerate(axes.flat):
    ax.imshow(kmeans.cluster_centers_[i].reshape(8, 8), cmap='binary')
    ax.set_title(f'Cluster {i}')
    ax.axis('off')
plt.show()