可调参的K-means算法
来源:互联网 发布:centos搭建网站 编辑:程序博客网 时间:2024/04/30 10:16
选自:《Unifying Dependent Clustering and Disparate Clustering for Non-homogeneous Data 》
传统的K-means的算法如下:
这个表示的是聚类的簇,i代表的的是不同的类,i'代表的是类外的点,i是类内的点。这个公式是代表的类内的点到类外的点的距离肯定小。
有公式可以看得出,整个公式是一个类似的阶跃函数,很明显这个不符合现实生活的,通常情况下,我们通过高斯核函数来优化聚类函数,使其更加平滑,符合我们的的精准度的要求,但是这是一个固定的不可调节的过程。因此,上面的文章中涉及了一种可调参数的聚类方法,具体如下:
Define:
这里的D代表的是类的中心到类外的最短距离,y则是代表待分类点到类外的距离与最大距离的乘机,所有的点均为矢量,我们的目标就是最小化所有的y,在这里引入了自动化里面常用的用于矢量优化的K-S函数,
最后得到我们的聚类函数:
这里面的P为人为设定参数,可以调节D为距离。
0 0
- 可调参的K-means算法
- K-means算法的实现
- K-means算法的介绍
- K-Means的三种迭代算法
- k-means/k-means++算法的笔记及scala实现
- K-MEANS算法的C++实现
- k-means++算法的c++实现
- K-Means 算法的应用
- k-means算法的java实现
- K-Means算法的C语言实现
- K-Means 算法的 Hadoop 实现
- Spark下的K-Means算法
- K-means算法的Python实现
- K-Means聚类算法的实现
- k-means算法的Python实现
- K-Means算法的Hadoop实现
- k-means算法的ruby实现
- Spark集群下的K-Means算法
- elf可执行文件的理解(附上elf文件格式图解)
- JDBC的基本操作(CRUD)
- CSS画图形
- (最新教程)基于Windows7+visual Studio2013+Python2.7.12环境下的Caffe配置学习
- 基于ubuntu的Launchpad(5529)开发环境搭建
- 可调参的K-means算法
- printf详细用法
- JAVA多线程
- java的基本语法
- web存储 localStorage与sessionStorage
- 寻路题目,以失败告终。先保存一下
- 【转载收藏】log4j 配置介绍
- 雅虎十四条:网站前端网页优化的14条原则
- c3p0配置详解