k-means算法详解
来源:互联网 发布:卖钣金展开软件 编辑:程序博客网 时间:2024/05/16 08:33
k-means算法详解
- 主要内容
- k-means算法简介
- k-means算法详解
- k-means算法优缺点分析
1、k-means算法简介
k-means算法是一种聚类算法,所谓聚类,即根据相似性原则,将具有较高相似度的数据对象划分至同一类簇,将具有较高相异度的数据对象划分至不同类簇。聚类与分类最大的区别在于,聚类过程为无监督过程,即待处理数据对象没有任何先验知识,而分类过程为有监督过程,即存在有先验知识的训练数据集。
k-means算法中的k代表类簇个数,means代表类簇内数据对象的均值(这种均值是一种对类簇中心的描述),因此,k-means算法又称为k-均值算法。k-means算法是一种基于划分的聚类算法,以距离作为数据对象间相似性度量的标准,即数据对象间的距离越小,则它们的相似性越高,则它们越有可能在同一个类簇。数据对象间距离的计算有很多种,k-means算法通常采用欧氏距离来计算数据对象间的距离。
2、k-means算法详解
k-means算法以距离作为数据对象间相似性度量的标准,通常采用欧氏距离来计算数据对象间的距离。下面给出欧式距离的计算公式:
k-means算法聚类过程中,每次迭代,对应的类簇中心需要重新计算(更新):对应类簇中所有数据对象的均值,即为更新后该类簇的类簇中心。定义第
k-means算法需要不断地迭代来重新划分类簇,并更新类簇中心,那么迭代终止的条件是什么呢?一般情况,有两种方法来终止迭代:一种方法是设定迭代次数
k-means算法思想可描述为:首先初始化
k-means算法聚类过程示意图,如下:
3、k-means算法优缺点分析
- 优点:
算法简单易实现;
- 缺点:
需要用户事先指定类簇个数
聚类结果对初始类簇中心的选取较为敏感;
只能发现球型类簇;
阅读全文
1 0
- K-means算法详解
- K-means算法详解
- k-means算法详解
- K-Means聚类算法详解
- K-Means聚类算法详解
- [机器学习]二分k-means算法详解
- K-means聚类算法详解
- K-means算法补充:K-means++
- k-means算法
- K-MEANS算法
- K-MEANS算法
- K-means算法
- k-means算法
- K-Means 算法
- K-Means 算法
- 深入浅出K-Means算法
- 聚类:K-means算法
- K-Means 算法
- eclipse自动补全代码(Auto activation只能输3个字符)
- 传统定时器回顾
- winform上创建可拖动缩放的控件
- Maven管理启动Tomcat时出现无效的目标发行版本
- System.Windows.Forms.SplitContainer”的对象强制转换为类型“System.ComponentModel.ISupportInitialize”失败
- k-means算法详解
- EasyUI学习总结(四)——parser源码分析
- csdn如何转载别人的文章
- context:component-scan标签的use-default-filters属性的作用以及原理分析
- [小米面试题]小米Git
- MyEclipse10安装PyDev插件
- ReactNative项目实战-仿知乎日报
- android怎么来判断蓝牙开、关的状态
- 顺时针打印矩阵