python高级在线题目训练-第二套·主观题_请编写python代码实现下列要求。给定一个字符串,从头部或尾部截取指定数量的字符-CSDN博客

本文链接：https://blog.csdn.net/2401_84159813/article/details/138866558

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

print("尾部cut翻转 : ", (last_right + last_left))

reStr(“我拥有一个世界。”, 3)

reStr(input(), int(input()))
“”"
输入示例：
我拥有一个个世界
2
输出示例：
头部cut翻转 : 有一个个世界我拥
尾部cut翻转 : 世界我拥有一个个
“”"


### 3、请简述K-Means聚类算法的流程。



> 
> 1、从数据中选择k个对象作为初始聚类中心；
> 
> 
> 2、计算每个聚类对象到聚类中心的距离来划分；
> 
> 
> 3、再次计算每个聚类中心；
> 
> 
> 4、计算标准测度函数，之道达到最大迭代次数，则停止，否则，继续操作。
> 
> 
> 




---


下面是一些理论，可以略过：


   K-means也是聚类算法中最简单的一种了，但是里面包含的思想却是不一般。最早我使用并实现这个算法是在学习韩爷爷那本数据挖掘的书中，那本书比较注重应用。看了Andrew Ng的这个讲义后才有些明白K-means后面包含的EM思想。


     聚类属于无监督学习，以往的回归、朴素贝叶斯、SVM等都是有类别标签y的，也就是说样例中已经给出了样例的分类。而聚类的样本中却没有给定y，只有特征x，比如假设宇宙中的星星可以表示成三维空间中的点集


![](https://img-blog.csdnimg.cn/img_convert/69cebde45dc7c513a9ee7bf39b3c43af.png)


。聚类的目的是找到每个样本x潜在的类别y，并将同类别y的样本x放在一起。比如上面的星星，聚类后结果是一个个星团，星团里面的点相互距离比较近，星团间的星星距离就比较远了。


 在聚类问题中，给我们的训练样本是


![](https://img-blog.csdnimg.cn/img_convert/eabcbacbb98de2db62f2806f90b68d38.png)


，每个，没有了y。


     K-means算法是将样本聚类成k个簇（cluster），具体算法描述如下：


1、 随机选取k个聚类质心点（cluster centroids）为![](https://img-blog.csdnimg.cn/img_convert/4beaf9009f8dd5c8cb4aa9243e060198.png)。


2、 重复下面过程直到收敛 {


               对于每一个样例i，计算其应该属于的类


               ![](https://img-blog.csdnimg.cn/img_convert/bf38c1161499ef8bee88e17b05963d1d.png)


               对于每一个类j，重新计算该类的质心


               ![](https://img-blog.csdnimg.cn/img_convert/a629786758901fea0b0c24fd3aa39adc.png)


}


     K是我们事先给定的聚类数，


![](https://img-blog.csdnimg.cn/img_convert/291a1e4f8fbe1d2f66e54aa32deb8579.png)


代表样例i与k个类中距离最近的那个类，的值是1到k中的一个。质心代表我们对属于同一个类的样本中心点的猜测，拿星团模型来解释就是要将所有的星星聚成k个星团，首先随机选取k个宇宙中的点（或者k个星星）作为k个星团的质心，然后第一步对于每一个星星计算其到k个质心中每一个的距离，然后选取距离最近的那个星团作为，这样经过第一步每一个星星都有了所属的星团；第二步对于每一个星团，重新计算它的质心（对里面所有的星星坐标求平均）。重复迭代第一步和第二步直到质心不变或者变化很小。


     下图展示了对n个样本点进行K-means聚类的效果，这里k取2。


![](https://img-blog.csdnimg.cn/76c76e37c0d14c3aa5ff0b9ce7ced2ed.png)


K-means面对的第一个问题是如何保证收敛，前面的算法中强调结束条件就是收敛，可以证明的是K-means完全可以保证收敛性。下面我们定性的描述一下收敛性，我们定义畸变函数（distortion function）如下：


     


![](https://img-blog.csdnimg.cn/img_convert/dba3e81963665a1aabd3a74e866a4270.png)


     J函数表示每个样本点到其质心的距离平方和。K-means是要将J调整到最小。假设当前J没有达到最小值，那么首先可以固定每个类的质心


![](https://img-blog.csdnimg.cn/img_convert/fba8c32712e8fb24ac4e5360e777bf52.png)


，调整每个样例的所属的类别来让J函数减少，同样，固定，调整每个类的质心也可以使J减小。这两个过程就是内循环中使J单调递减的过程。当J递减到最小时，和c也同时收敛。（在理论上，可以有多组不同的和c值能够使得J取得最小值，但这种现象实际上很少见）。


     由于畸变函数J是非凸函数，意味着我们不能保证取得的最小值是全局最小值，也就是说k-means对质心初始位置的选取比较感冒，但一般情况下k-means达到的局部最优已经满足需求。但如果你怕陷入局部最优，那么可以选取不同的初始值跑多遍k-means，然后取其中最小的J对应的


![](https://img-blog.csdnimg.cn/img_convert/991a8b2a776cb5fbf1f0279dc72d5104.png)




![img](https://img-blog.csdnimg.cn/img_convert/57dd882ccc70cc1766885571c1533114.png)
![img](https://img-blog.csdnimg.cn/img_convert/18d211d40420eae45393fd161622132d.png)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

(https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**