聚类算法之Kmean算法应用和Python应用举例
来源:互联网 发布:linux lastcomm 编辑:程序博客网 时间:2024/05/24 06:48
聚类算法之Kmean算法应用和Python应用举例
参考:http://croce.ggf.br/dados/K%20mean%20Clustering1.pdf
1. 归类:
聚类(clustering) 属于非监督学习 (unsupervised learning)
无类别标记(class label)
2. 举例:
3. K-means 算法:
3.1 Clustering 中的经典算法,数据挖掘十大经典算法之一
3.2 算法接受参数 k ;然后将事先输入的n个数据对象划分为 k个聚类以便使得所获得的聚类满足:同一
聚类中的对象相似度较高;而不同聚类中的对象相似度较小。
3.3 算法思想:
以空间中k个点为中心进行聚类,对最靠近他们的对象归类。通过迭代的方法,逐次更新各聚类中心
的值,直至得到最好的聚类结果
3.4 算法描述:
(1)适当选择c个类的初始中心;
(2)在第k次迭代中,对任意一个样本,求其到c各中心的距离,将该样本归到距离最短的中心所在
的类;
(3)利用均值等方法更新该类的中心值;
(4)对于所有的c个聚类中心,如果利用(2)(3)的迭代法更新后,值保持不变,则迭代结束,
否则继续迭代。
3.5 算法流程:
输入:k, data[n];
(1) 选择k个初始中心点,例如c[0]=data[0],…c[k-1]=data[k-1];
(2) 对于data[0]….data[n], 分别与c[0]…c[k-1]比较,假定与c[i]差值最少,就标记为i;
(3) 对于所有标记为i点,重新计算c[i]={ 所有标记为i的data[j]之和}/标记为i的个数;
(4) 重复(2)(3),直到所有c[i]值的变化小于给定阈值。
4.举例子:
优点:速度快,简单
缺点:最终结果跟初始点选择相关,容易陷入局部最优,需直到k值
Python代码:
未完待续。。。。。。
优点:速度快,简单
缺点:最终结果跟初始点选择相关,容易陷入局部最优,需直到k值
1 0
- 聚类算法之Kmean算法应用和Python应用举例
- 聚类算法之层次聚类算法和应用举例
- kmean算法python实现
- 神经网络算法应用举例【Python实现】
- A*算法应用举例
- streaming kmean cluster 聚类算法实现和分析
- KMean聚类算法及其改进
- Kmean算法
- Kmean算法
- Base64 算法的应用举例
- PHP数据结构之六 PHP栈的应用举例【数制转换和括号匹配算法】
- 九中算法思想及其应用举例
- EM算法入门及简单应用举例
- kmean算法理解
- 多元线性回归和Python应用举例
- 逻辑回归和Python应用举例
- 【数据结构和算法】栈的java实现和栈的应用举例
- 模式识别----kmean算法(java实现)
- iOS-GCD的实践
- jQuery实现的全选、反选和不选功能
- 【Hibernate】-简介
- web容器2
- 线上bug导致tomcat 线程池堆积
- 聚类算法之Kmean算法应用和Python应用举例
- Android 将App的内容延伸到状态栏/导航栏
- 详解常用的注册表操作函数
- mysql online ddl原理
- ROS学习笔记
- HDU 3652 B-number(数位dp)
- 虚幻UE4中PC端的水着色教程
- 大话设计模式之简单工厂模式
- FloatingActionButton的使用