K_Means算法的简单实现C++

最新推荐文章于 2023-06-06 20:47:14 发布

置顶

习惯简单的生活

最新推荐文章于 2023-06-06 20:47:14 发布

阅读量1k

点赞数 2

分类专栏：学习笔记文章标签： K_MEANS AI 聚类

本文链接：https://blog.csdn.net/XA_1757985934/article/details/85091138

版权

本文介绍了K_Means算法的核心思想，包括选择初始聚类中心、根据中心对象计算对象距离并重新划分、更新聚类均值等步骤。通过一个具体实例展示了如何使用C++实现K_Means算法，该实例中需要将8个点聚类为3类，并给出了距离函数为欧氏距离的情况。文章还提及了算法的迭代过程，包括第一次循环后的聚类中心和最终的聚类中心。

摘要由CSDN通过智能技术生成

1.K_Means算法核心思想：(计算，递归)
（1）从 n个数据对象任意选择 k 个对象作为初始聚类中心；
（2）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；
（3）重新计算每个（有变化）聚类的均值（中心对象）
（4）循环（2）到（3）直到每个聚类不再发生变化为止
2.简单实列：
问题：假设数据挖掘的任务是将8个点聚类成3个类别, A1(2,10), A2(2,5), A3(8,4), B1(5,8), B2(7,5), B3(6,4), C1(1,2), C2(3,7), C3(4,9),距离函数是Euclidean距离。假设初始选择A1, B1, C1分别作为每个聚类的中心用 K-means来给出，
代码（C++实现）：
第一次循环执行后的三个聚类中心是多少？最后的三个中心是多少？
（题目来自某位我喜欢的AI领域老师的课后习题。）

#include<iostream>
#include<math.h>
#include<vector>
#include<cstring>

using namespace std;


enum center_flag {
	set_1,
	set_2,
	set_3
};//集合标志

struct	Point {
	float					x{0};
	float					y{0};
	center_flag			flag{ set_1 };
	
}Point_A1, Point_A