【笔记】KMeans聚类算法

最新推荐文章于 2024-03-27 15:48:43 发布
最新推荐文章于 2024-03-27 15:48:43 发布
阅读量1.1k 收藏 9
点赞数 1
分类专栏： 机器学习 文章标签： 聚类 算法 kmeans
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/SpriteNym/article/details/125895573
版权

文章目录

一、K-means算法原理

聚类的概念:一种无监督的学习，事先不知道类别，自动将相似的对象归到同一个簇中。

K-Means算法是一种聚类分析(cluster analysis）的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法。

K-Means算法主要解决的问题如下图所示。我们可以看到，在图的左边有一些点，我们用肉眼可以看出来有四个点群，但是我们怎么通过计算机程序找出这几个点群来呢？于是就出现了我们的K-Means算法。

图解：

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

从上图中，我们可以看到，A，B，C，D，E是五个在图中点。而灰色的点是我们的种子点，也就是我们用来找点群的点。有两个种子点，所以K=2。
然后，K-Means的算法如下：

  1. 随机在图中取K（这里K=2）个种子点。

  2. 然后对图中的所有点求到这K个种子点的距离，假如点Pi离种子点Si最近，那么Pi属于Si点群。（上图中，我们可以看到A，B属于上面的种子点，C，D，E属于下面中部的种子点）

  3. 接下来，我们要移动种子点到属于他的“点群"的中心。（见图上的第三步）

  4. 然后重复第（2）和第（3）步，直到，种子点没有移动（我们可以看到图中的第四步上面的种子点聚合了A，B，C，下面的种子点聚合了D，E）。


总结：K-Means算法步骤：

  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，直到达到最大迭代次数，则停止，否则，继续操作。
  5. 确定最优的聚类中心。

K-means聚类方法总结

优点：

  1. 解决聚类问题的经典算法，简单
  2. 当处理大数据集时，该算法保持可伸缩性和高效率（与神经网络比）
  3. 当簇近似正态分布时，效果较好

缺点：

  1. 在簇的平均值可被定义的情况下才能使用，可能不适用于某些应用
  2. 必须事先给出k（要生成簇的数目），而且对初值敏感，即对于不同的初值，可能会导致不同结果
  3. 不适合非凸形状的簇或者大小差别很大的簇
  4. 对噪声和孤立点敏感

聚类算法应用举例

  1. 文档分类器
    根据标签、主题和文档内容将文档分为多个不同的类别。这是一个非常标准且经典的K-means算法分类问题。首先，需要对文档进行初始化处理，将每个文档都用矢量来表示，并使用术语频率来识别常用术语进行文档分类，这一步很有必要。然后对文档向量进行聚类，识别文档组中的相似性。
  2. 客户分类
    聚类能过帮助营销人员改善他们的客户群（在其目标区域内工作)，并根据客户的购买历史、兴趣或活动监控来对客户类别做进一步细分。这是关于电信运营商如何将预付费客户分为充值模式、发送短信和浏览网站几个类别的白皮书。对客户进行分类有助于公司针对特定客户群制定特定的广告。
  3. 保险欺诈检测
    机器学习在欺诈检测中也扮演着一个至关重要的角色，在汽车、医疗保险和保险欺诈检测领域中广泛应用。利用以往欺诈性索赔的历史数据，根据它和欺诈性模式聚类的相似性来识别新的索赔。由于保险欺诈可能会对公司造成数百万美元的损失，因此欺诈检测对公司来说至关重要。这是汽车保险中使用聚类来检测欺诈的白皮书。
  4. 乘车数据分析
    面向大众公开的uber乘车信息的数据集，为我们提供了大量关于交通、运输时间、高峰乘车地点等有价值的数据集。分析这些数据不仅对uber大有好处，而且有助于我们对城市的交通模式进行深入的了解，来帮助我们做城市未来规划。

二、实战

重要参数：

  • n_clusters：聚类的个数

重要属性：

  • cluster_centers_：[n_clusters, n_features]的数组，表示聚类中心点的坐标
  • labels_：每个样本点的标签

2.1 聚类实例

（1）聚类的基本使用

import numpy as np
import pandas as pd
import pyecharts.options as opts
import matplotlib.pyplot as plt
import seaborn as sns
from pyecharts.charts import Scatter

# 手动生成随机点做聚类
from sklearn.datasets import make_blobs

# 制作一个假的数据集
X, y = make_blobs(
    n_samples=150, 
    n_features=2,
    centers=3, 
    cluster_std=1.5, 
    random_state=2
)

# 下面都是在用pyecharts画画
def add_data(pic, X_data, y_data, symbol='circle', symbol_size=10):
    X_data = pd.DataFrame(X_data).copy()
    y_data = pd.Series(y_data).copy()
    for i in y_data.drop_duplicates():
        pic.add_xaxis(xaxis_data=X_data.loc[y_data == i].iloc[0:, 0].tolist())
        pic.add_yaxis(
            series_name=i,
            y_axis=X_data.loc[y_data == i].iloc[0:, 1].tolist(),
            symbol_size=symbol_size,
            symbol=symbol,
            label_opts=opts.LabelOpts(is_show=False)
        )

import pyecharts.options as opts
from pyecharts.charts import Scatter, Grid
from pyecharts.globals import ThemeType

m_scatter = Scatter(init_opts=opts.InitOpts(width="400px", height="400px", theme=ThemeType.LIGHT))
add_data(m_scatter, X, y)
m_scatter.set_series_opts()
m_scatter.set_global_opts(
    xaxis_opts=opts.AxisOpts(
        type_="value", 
        name="x1",
        splitline_opts=opts.SplitLineOpts(is_show=True)
    ),
    yaxis_opts=opts.AxisOpts(
        type_="value",
        name="x2",
        axistick_opts=opts.AxisTickOpts(is_show=True),
        splitline_opts=opts.SplitLineOpts(is_show=True)
    ),
    tooltip_opts=opts.TooltipOpts(is_show=False),
)
m_scatter.render_notebook()

在这里插入图片描述

# 在聚类模块导入Kmeans
from sklearn.cluster import KMeans

# 第1步：实例化算法对象
# n_clusters 默认为8 默认8个随机点（初始点）分为8个簇 整形值
# k值应该怎么挑选：按业务需求来
km = KMeans(n_clusters=3)

# km.fit_predict()
# km.fit()
# km.predict()

# 第2步：开始预测
y_ = km.fit_predict(X)

# 获取聚类中心
cluster_centers = km.cluster_centers_
cluster_centers

"""
array([[ 1.58887503, -1.06495221],
       [-1.62473796, -9.4792349 ],
       [-1.80632868, -3.67173199]])
"""

# 继续画图
m_scatter2 = Scatter(init_opts=opts.InitOpts(width="400px", height="400px", theme=ThemeType.LIGHT))


add_data(m_scatter2, X, y)
add_data(m_scatter2, cluster_centers, [4, 4, 4], symbol='triangle', symbol_size=20)
m_scatter2.set_series_opts()
m_scatter2.set_global_opts(
    xaxis_opts=opts.AxisOpts(
        type_="value", 
        name="x1",
        splitline_opts=opts.SplitLineOpts(is_show=True)
    ),
    yaxis_opts=opts.AxisOpts(
        type_="value",
        name="x2",
        axistick_opts=opts.AxisTickOpts(is_show=True),
        splitline_opts=opts.SplitLineOpts(is_show=True)
    ),
    tooltip_opts=opts.TooltipOpts(is_show=False),
)
grid = Grid(init_opts=opts.InitOpts(width="700px", height="800px", theme=ThemeType.VINTAGE))
grid.add(m_scatter, grid_opts=opts.GridOpts(pos_bottom="60%"))
grid.add(m_scatter2, grid_opts=opts.GridOpts(pos_top="60%"))

grid.render_notebook()

在这里插入图片描述

（2）足球队分群

data = pd.read_csv('data/AsiaZoo.txt', header=None)
data

data.columns=['国家', '2006世界杯', '2010世界杯', '2007亚洲杯']

from mpl_toolkits.mplot3d import Axes3D

# 设置seaborn和设置中文
sns.set_style(style='white')

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 制作特征X
X = data.iloc[:, 1:]
X

# 第1步：实例化
km = KMeans(n_clusters=3)

# 第2步：预测
y_ = km.fit_predict(X)

# 下面进行画图 3个特征 3个维度 - >  3D图
plt.figure(figsize=(10,6))

ax = plt.subplot(projection='3d')

ax.scatter3D(data['2006世界杯'],data['2010世界杯'],data['2007亚洲杯'],s=200,c=y_,alpha = 1)
ax.set_xlabel('2006世界杯')
ax.set_ylabel('2010世界杯')
ax.set_zlabel('2007亚洲杯')

plt.show()

# 需要往原来的数据集中增加一个column【类别】
data['类别'] = y_
data

# 如果我们需要把不同的国家和梯队进行输出
for i in range(3):
    print(' '.join(data[data['类别']==i]['国家'].tolist()))
"""
中国 伊拉克 卡塔尔 阿联酋 泰国 越南 阿曼 印尼
日本 韩国
伊朗 沙特 乌兹别克斯坦 巴林 朝鲜
"""

附录：

  1. RFM模型案例

在这里插入图片描述

  1. 金融欺诈风险评估

在这里插入图片描述


2.2 聚类实践与常见错误

使用make_blobs创建样本点

  • 第一种错误，k值不合适，make_blobs默认中心点三个
# 制作假数据集来应用KMeans
X, y = make_blobs(n_samples=150, n_features=2, centers=3, random_state=2, cluster_std=2)

# 底色，防止白色看不到
sns.set()

# 一会儿需要反复画图，因此可以对画图进行封装
# --需要在画图时进行传参X，y进行调用
def show_scatter(X, y):
    plt.scatter(X[:,0], X[:,1], c=y, cmap=plt.cm.Accent)
    plt.show()
    
# 调用函数进行测试
show_scatter(X, y)

# 第1步：实例化模型
km = KMeans(n_clusters=2)

# 第2步：预测
y_ = km.fit_predict(X)

# 封装一个X，y，y_函数，来显示实际上（True data）和预测的（KMeans）上的对比
def show_predict(X, y, y_):
    plt.figure(figsize=(12, 4))
    plt.subplot(121)
    plt.scatter(X[:,0], X[:,1], c=y, s=100, cmap=plt.cm.Accent)
    plt.title('True data')
    
    plt.subplot(122)
    plt.scatter(X[:,0], X[:,1], c=y_, s=100, cmap=plt.cm.afmhot)
    plt.title('KMeans')
    
    plt.show()
    
# 使用刚刚封装的函数来表现True data和KMeans的对比
show_predict(X, y, y_)

在这里插入图片描述


  • 第二种错误，数据偏差

    trans = [[0.6, -0.6], [-0.4, 0.8]]

    x2 = np.dot(X, trans)

# 故意增加偏差
trans = [[0.6,-0.6],[-0.4,0.8]]
X1 = np.dot(X,trans)

# 数据偏差情况
show_scatter(X1, y)

在这里插入图片描述

# 在这样条件下使用KMeans模型，观察结果
# 1.实例化
km2 = KMeans(n_clusters=3)
# 2.预测
y2 = km2.fit_predict(X1)

show_predict(X, y, y2)

在这里插入图片描述


  • 第三个错误：标准偏差不相同cluster_std

    所以一定要在聚类之前，做数据的无量纲处理

# 元      万元
# 8000    0.8

# 刻意改变标准偏差之后的数据集
X3, y3 = make_blobs(n_samples=150, n_features=2, random_state=2, cluster_std=[1, 2, 4])

show_scatter(X3, y3)

在这里插入图片描述

# 1. 实例化
km3 = KMeans(n_clusters=3)
# 2. 预测
y3_ = km3.fit_predict(X3)

show_predict(X3, y3, y3_)

在这里插入图片描述

# 回忆：无量纲处理 sklearn中自带有一个preprocessing可以处理
from sklearn.preprocessing import MinMaxScaler, StandardScaler

ss_X3 = StandardScaler().fit_transform(X3)
ss_X3.std(axis=0)

  • 第四个错误：样本数量不同
X, y = make_blobs(n_samples=1500, n_features=2, centers=3, random_state=5)

# 刻意构造样本不均衡 0 100个 1 35个 2 15个
XA = X[y==0][:100]
XB = X[y==1][:35]
XC = X[y==2][:15]

XX = np.concatenate((XA, XB, XC))
XX.shape

# 手动把标签添加上
y = np.array([0] * 100 + [1] * 35 + [2] * 15)

show_scatter(XX, y)

在这里插入图片描述

# 1. 实例化
km4 = KMeans(n_clusters=3)
# 2. 预测
y4_ = km4.fit_predict(XX)

show_predict(XX, y, y4_)

在这里插入图片描述


三、KMeans特征工程优化程度评价

某个点的轮廓系数定义为：

s = d i s M e a n o u t − d i s M e a n i n m a x ( d i s M e a n o u t , d i s M e a n i n ) \Large s=\frac {disMean_{out}-disMean_{in}} {max(disMean_{out}, disMean_{in})} s=max(disMeanout​,disMeanin​)disMeanout​−disMeanin​​

其中 d i s M e a n i n disMean_{in} disMeanin​为该点与本类其他点的平均距离， d i s M e a n o u t disMean_{out} disMeanout​为该点与非本类点的平均距离。

该值取值范围为[-1, 1]，越接近1则说明聚类越优秀。

在sklearn中函数silhouette_score()计算所有点的平均轮廓系数，而silhouette_samples()返回每个点的轮廓系数。

from sklearn.metrics import silhouette_score # 返回所有点的平均轮廓系数
from sklearn.metrics import silhouette_samples # 返回每个点的轮廓系数

聚类的个数应该由业务需求给定，而不是根据轮廓系数来判断。

轮廓系数是在已知聚类个数的需求的前提下，针对特征工程处理的优化程度的评价。

# 导入轮廓系数
from sklearn.metrics import silhouette_score

# 1. 实例化
kmeans = KMeans(n_clusters=3)
# 2. 预测
y_ = kmeans.fit_predict(X)

# 使用轮廓系数进行评分
silhouette_score(X, y_)

# 定义一个函数，评判在不同的n_clusters上，轮廓系数以及图像
def show_cluster_edge(kmeans, X):
    xmin, xmax = X[:, 0].min(), X[:, 0].max()
    ymin, ymax = X[:, 1].min(), X[:, 1].max()
    
    x = np.linspace(xmin, xmax, 200)
    y = np.linspace(ymin, ymax, 200)
    xx, yy = np.meshgrid(x, y)
    
    kmeans.fit(X)
    
    X_test = np.c_[xx.ravel(), yy.ravel()]
    y_ = kmeans.predict(X)
    y1_ = kmeans.predict(X_test)
    
    plt.scatter(X_test[:,0], X_test[:,1], c=y1_, s=100, cmap=plt.cm.Accent)
    plt.scatter(X[:,0], X[:,1], c=y_, s=100, cmap=plt.cm.afmhot)
    
    plt.title('silhouette_score:%.4f'%(silhouette_score(X, y_)))
    plt.show()
    
    
kmeans = KMeans(n_clusters=3)
show_cluster_edge(kmeans, X)

在这里插入图片描述

Sprite.Nym
关注
  • 1
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
超详细！构建基于客户细分的 K-Means 聚类算法
Python学习与数据挖掘
06-14 6719
客群细分对于企业了解目标受众非常重要。根据受众群体的不同，我们可以给采取不同的营销策略。目前有许多无监督的机器学习算法可以帮助公司识别他们的用户群并创建消费群体。 在本文中，我将分享一种目前比较流行的 K-Means 聚类的无监督学习技术。K-Means的目标是将所有可用的数据分组为彼此不同的不重叠的子组。K-Means聚类是数据科学家用来帮助公司进行客户细分的常用技术。 在本文中，你将了解以下内容： K-Means聚类的数据预处理 从头构建K-Means聚类算法 用于评估聚类模型性能的指标 可视化构建簇
K均值算法（K-means）聚类
热门推荐
PyRookie
08-21 9万+
1. K-means算法 2. KMeans(n_clusters=3) 3. K-means的中心点 4. centers = kmeans.cluster_centers_ 5. 坐标轴中文显示问题 6. 坐标轴字体、负号还原问题 7. 3D绘图 8. from mpl_toolkits.mplot3d import Axes3D 9. 建立坐标系 10. ax = plt.subplot(projection='3d') 8. make_blobs生成有中心点的数据
聚类分析以及k-means的优缺点
最新发布
xifenglie123321的博客
03-27 821
于是根据一批样本的多个观测值指标，具体找出可以度量样本之间相似的统计量，以这些统计量作为划分类型的依据，把一些相似程度较大的样本聚合为一类，把另外一些彼此之间相似程度较大的样本又聚为一类，关系密切的聚合完毕，把不同类型的一一划分起来形成小到大的分类系统。（1）基本思想：确定了距离和相似系数后就要进行分类，有多种分类方法，最常用是样品自成一类，然后把每次具有最小距离的两类进行合并，合并后继续计算类与类之间的距离，这个过程是一直持续到把所有样本归为一类，并把这个过程作成一张聚类图，由聚类图进行方便的分类。
数据挖掘实战：基于KMeans算法对超市客户进行聚类分群
m0_64336780的博客
08-01 1万+
本实验基于KMeans算法对超市客户进行了聚类分群。通过对客户购物数据进行聚类，我们成功将客户分为不同的群体。每个群体代表了具有相似购物行为和偏好的客户群体。通过实验结果，我们发现了客户群体之间的明显差异和共性。不同群体的客户在购买频率、购物金额和购买种类等方面有所区别。这为超市提供了重要的市场细分信息，帮助超市经营者更好地了解不同客户群体的需求和喜好，制定有针对性的营销策略和商品推荐，提高客户满意度和忠诚度。此外，实验还揭示了超市客户的购物行为规律，为超市优化商品陈列和促销策略提供了指导。
使用K-means算法进行聚类分析
KylinSchmidt的博客
01-25 1万+
原理 对于最流行的聚类算法K-means算法，它的算法步骤如下： 1）从样本点中随机选择k个点作为初始簇中心。 2）将每个样本点划分到距离它最近的中心点μ(j)\mu^{(j)}μ(j)，j∈{1,⋯ ,k}j\in\{1,\cdots,k\}j∈{1,⋯,k}所代表的簇中。 3）用各簇中所有样本的中心点代替原有的中心点。 4）重复步骤2和3，直到中心点不变或达到预定迭代次数时，算法终止。 K-means算法的目标函数为簇内误差平方和（within-cluster sum of squared errors
机器学习----聚类分析（Kmeans聚类算法）
樱花落瓣
07-03 5152
机器学习算法的分类 一、什么是聚类分析 物以类聚，人以群分 二、相似度与距离度量
k-means聚类算法及matlab代码-machine-learning-andrew-ng:python实现课程的机器学习课程的方法和程序
05-21
k-means聚类算法及matlab代码Ng的机器学习 我在python中实现的编程任务（它使用Octave / MATLAB）。 我还添加了一些我认为有助于理解算法的概念和公式。 为了对概念，公式，代码和练习进行很好的可视化，我在中进行...
Gaussian-Mixture-Model-from-scratch:使用python类和Expectation Maximization算法从头开始实现高斯混合模型。 它是一种优于kmeans算法的聚类算法
03-28
算法类型：聚类算法使用的数据集：从sklearn导入的虹膜数据集 最终集群的输出 要求： Jupyter笔记本或Google Colab 库： 熊猫： ： numpy： ：//numpy.org/install/ Matplotlib： ：//matplotlib.org/stable/users/...
斯坦福ML公开课笔记121
08-03
斯坦福ML公开课笔记121
ML_algorithms_KMeans:从零开始使用scikit-learn进行K-Means聚类
03-30
机器学习算法示例 从零开始使用scikit-learn进行K-Means聚类 技术： Python 3； Jupyter笔记本。 执照 该项目根据MIT许可条款获得许可。
k-means同心圆的聚类代码
11-08
对于同心圆以及近似同心圆的聚类方法，适合于聚类进阶学习 对于同心圆以及近似同心圆的聚类方法，适合于聚类进阶学习 对于同心圆以及近似同心圆的聚类方法，适合于聚类进阶学习
聚类模型——k-means
weixin_52640021的博客
12-26 2981
物以类聚，人以群分”，所谓的聚类，就是将样本划分为由类似的对象组成的多个类的过程。聚类后，我们可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测；也可以探究不同类之间的相关性和主要差异。
Cluster analysis ：Basic Concepts and Algorithms -- Part 2 K-means
数据小蝼蚁
05-28 499
参考文献：(1)《Introduction to Data Mining (Second Edition)》，2018，Tan, Pang-Ning；Steinbach, Michael；Karpatne, Anuj；Kumar, Vipin; (2) 范明 范宏建 等译《数据挖掘导论（完整版）》，2011. 注：以下笔记是结合了以上两本书并加入自己的理解而整理，如果有不恰当之处，请提出宝贵意见。 CONTENTS1 Introduction2 The Basic K-means Algorithm 1
K-means 聚类算法学习笔记
@木子李的博客
08-04 639
（一）聚类-无监督学习 事先并不知道任何样本的类别标号，希望通过某种算法来把一组未知类别的样本划分成若干类别，聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起，这在机器学习中被称作unsupervised learning(无监督学习) K-means是寻找给定数据集的K个簇的聚类算法，也称之为K-均值，是因为它可以发现（寻找）K个不同的簇，且每个簇的中心采用簇中所含数据的均值计算而成。其中簇的个数是用户指定的，每一个簇通过其质心，即簇中所有的中心来描述。 优点：容易实现 缺
机器学习面试题库：K-means
丹妍同学的博客
05-18 1271
需要注意的是，虽然质心选择是K-means聚类算法中一个重要的因素，但是对于大规模的数据集，通常可以通过多次迭代和加入合适的正则化方法等措施来减小初始质心对聚类结果的影响。同时，需要注意的是，K-means算法的评估指标存在一定的局限性，如聚类的结果依赖于初始质心的选择，存在可能陷入局部最优解的问题等。手肘法：通过计算不同K值下聚类结果的SSE（误差平方和）或SSB（组间平方和）值，观察这些指标与K值的关系，找到SSE或SSB下降速度趋于平稳的K值，即所谓的“肘部”位置，作为合适的聚类数。
k-means聚类算法 心得分享（含python实现代码）
wbk0127的博客
05-24 3911
手肘法是一种常用的选择 K 值的方法。手肘法的基本思想是，通过绘制不同 K 值下聚类模型的SSE，SSE是指“Sum of Squared Errors”（误差平方和），它是k-means算法中的一个重要指标，用于评估聚类结果的好坏。在k-means算法中，SSE是所有簇内数据点到其对应中心点的距离平方和。
聚类算法(一)：K-Means算法（K均值）
Nancy的博客
10-27 1635
K-Means算法（K均值） 一、概念补充 所谓聚类，就是将相似的事物聚集在一起，聚类试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个“簇”，通过这样的划分，每个簇可能对应于一些潜在的类别。 性能度量 对聚类结果，我们需要通过某种性能度量来评估其好坏。 聚类性能度量大致有两类。一类是将聚类结果与某个“参考模型”进行比较，称为“外部指标”；另一类是直接考察聚类结果而不利用...
聚类算法小结（1）——K均值聚类算法
qq_43569111的博客
10-09 6525
因为笔者最近在处理数据的时候需要用到分类算法，为了理解的更加透彻，在这里对几种基本的分类算法进行了小结，以下所有的工作都是在已有的基础上加入了自己的一些理解 K均值聚类算法 在看下面之前建议看大佬写的Kmeans聚类算法详解，个人觉得写的很详细，也比较容易理解，以下的都是在此基础上的一些个人感悟。 k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析...
kmeans聚类算法spss
08-23
K-means聚类算法是一种常用的数据聚类算法，它通过计算样本之间的距离来将数据分成K个簇。SPSS是一款统计分析软件，也提供了K-means聚类算法的实现功能。 在SPSS中，使用K-means算法进行聚类分析的步骤如下： 1. ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Sprite.Nym

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值