二分K-means聚类，K-Means改进

最新推荐文章于 2024-07-05 23:11:55 发布

亓了个葩

最新推荐文章于 2024-07-05 23:11:55 发布

阅读量4.9k

点赞数

分类专栏：无监督学习文章标签： R语言 kmeans 机器学习数据挖掘聚类算法K-Means

本文链接：https://blog.csdn.net/skyonefly/article/details/50239943

版权

针对K-means算法可能收敛于局部最优的问题，本文介绍了二分K-means方法，通过SSE（误差平方和）度量聚类效果，并以实际数据集为例展示R语言实现过程。

摘要由CSDN通过智能技术生成

由于K-means 有可能会收敛到局部最优值，而无法收敛到全局最优值，影响聚类性能

一种用于度量聚类效果的指标是SSE(Sum of Squared Error，误差平方和），对应予 clusterAssment第二列

此算法的思想是，为克服K-均值算法收敛于局部最小值，我们使用二分K-均值：先将所有点作为一个簇，然后将该簇一分为二。之后选择其中一个簇继续进行划分，选择哪一个簇进行划分取决于是否可以最大程度降低SSE的值。上述基于SSE的划分过程不断重复，直到得到用户指定的簇数目为止

会用到我写的另一篇http://blog.csdn.net/skyonefly/article/details/50235735 ，[R语言实现K-Means算法数据集iris]

<span style="font-family:Comic Sans MS;font-size:14px;">#引入kmeans.r文件,以便调用其中自定义的函数
#详细见http://blog.csdn.net/skyonefly/article/details/50235735
source("E:/R programmer/kmeans.r")
#二分K-均值聚类算法
biKmea