k-means是一种常见的无监督学习算法，用于将相似样本聚类在一起。它通过迭代寻找使样本点到其所在簇质心距离平方和最小化的划分。算法流程包括随机选择初始质心，然后不断迭代更新质心和样本分配，直到质心不再改变。然而，k-means易受初始质心选择影响，可能导致局部最优，并且确定最佳k值是个挑战。
1.算法简述
分类是指分类器（classifier）根据已标注类别的训练集，通过训练可以对未知类别的样本进行分类。分类被称为监督学习（supervised learning）。如果训练集的样本没有标注类别，那么就需要用到聚类。聚类是把相似的样本聚成一类，这种相似性通常以距离来度量。聚类被称为无监督学习（unspervised learning）。
k-means是聚类算法中常用的一种，其中k的含义是指有k个cluster。由聚类的定义可知，一个样本应距离其所属cluster的质心是最近的（相较于其他k-1个cluster）。实际上，k-means的本质是最小化目标函数：
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
