特征归一化对K Means有影响吗？

K均值中计算距离的方法应该可以有很多，如果以常用的欧氏距离作为计算距离的方法的话，归一化是好的。这样每个特性的重要性就会得到统一。

比如你想用K均值给动物分类，假如把重量（单位：克）作为一个特征，由于其数值和方差非常大（比如大象和松鼠），在计算距离的时候其它特征影响就显得就无关紧要。变成了主要按照重量来分类了。

有的距离计算方法可以忽略量纲的问题，比如余弦距离。这时候归一化应该没什么影响。

简单来说，特征是否缩放须谨慎，最好在缩放前理解每个特征的含义（正如s3040608090所讲的体重的例子）。

至于影响可好可坏，要视整个上下文而定。

补充一句，基于距离的模型都会有“该不该缩放/标准化”的问题，比如说kNN。

对特征归一化当然会对聚类结果产生影响

比如下图中，如果我们进行2-Means，A,B,C是一个聚类，D和E一个聚类

下图中，我们对x轴进行了归一化，然后2-Means，A和B是一个聚类，C,D和E是一个聚类。

所以归一化对聚类的结果是有影响的。