KMeans笔记 K值以及初始类簇中心点的选取

最新推荐文章于 2021-03-11 13:56:11 发布
最新推荐文章于 2021-03-11 13:56:11 发布
阅读量7.2k 收藏 3
点赞数 1
分类专栏： 机器学习基础
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/ZhikangFu/article/details/48436257
版权
本文主要基于Anand Rajaraman和Jeffrey David Ullman合著，王斌翻译的《大数据-互联网大规模数据挖掘与分布式处理》一书。  KMeans算法是最常用的聚类算法，主要思想是:在给定K值和K个初始类簇中心点的情况下，把每个点(亦即数据记录)分到离其最近的类簇中心点所代表的类簇中，所有点分配完毕之后，根据一个类簇内的所有点重新计算该类簇的中心点(取平均值)，然后再迭
摘要由CSDN通过智能技术生成

KMEANS算法原理：

1、从D中随机取k个元素，作为k个簇的各自的中心。

2、分别计算剩下的元素到k个簇中心的欧氏距离，将这些元素分别划归到相异度最低的簇。

3、根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数。

4、将D中全部元素按照新的中心重新聚类。

5、重复第3步，直到聚类结果不再变化。

最低0.47元/天 解锁文章
ZhikangFu
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
K-means聚类算法
qq_41721458的博客
03-12 1415
k-means算法 　　一、算法概述 　　k-means中的k指的是数据聚成多少个簇，而means指的是根据簇的均值来确定簇中心，从而计算每个实例到每个簇的距离。 　　k-means聚类算法是一种无监督聚类算法，之前我们讲过KNN（K最近算法），是一种有监督的分类算法，其实本质上，KNN和K-means聚类算法，大同小异，与之不一样的地方在于，KNN是计算该实例到每个实例的距离，最后得出其自己的类...
聚类算法原理
ligangminglove的博客
08-27 4519
算法流程： 1，选择聚类的个数K. 2,任意产生K个聚类，然后确定聚类中心，或者直接生成K个中心。 3，对每个点确定其聚类新中心。 4，再计算其聚类新中心。 5.重复以上步骤直到满足收敛要求。（通常就是确定的中心点不再改变。） K-means: 事先确定常数K,常数K意味着最终的聚类类别数，首先随机选定初始点为质心，并通过计算每一个样本与质心之间的相似度（这里为欧式距离），将样本点...
K-Means算法
weixin_37801695的博客
12-01 1870
1、 K-Means算法说明 K个簇的中心分别为 ，每个簇的样本量为 ，目标函数为平方误差（欧式距离），即所有样本到自己所属的簇的中心距离最小。求下述目标函数的最优解 可以得到聚类中心的更新公式为 如果使用曼哈顿距离度量公式，簇中心更新公式为中值，适用于凸形状，簇大小相近，簇数量较少的聚类。 2、 K-Means算法流程 输入：样本集 ，聚类的簇数K，最大的迭代次数N 输出：类簇划分 （1）...
KMeans算法，采用肘部法则获取类簇中心个数K的值。
weixin_46613998的博客
10-13 5980
K-Means是一种非常常见的聚类算法，在处理聚类任务中经常使用，K-Means算法是一种原型聚类算法。 该算法重要的一步就是确定K的值的划分，通常我们采用肘部法则选取K值，再依据轮廓系数，及各个数据集中数据的数量综合去评估哪个K值为最佳。 肘部法则 1 ）、对于n个点的数据集，迭代计算k from 1 to n，每次聚类完成后计算每个点到其所属的簇中心的距离的平方和； 2）、平方和是会逐渐变小的，直到k时平方和为0，因为每个点都是它所在的簇中心本身。 3）、在这个平方和变化过程中..
机器学习领域，聚类算法，kmeans自动计算gap，自动确定k值
最新发布
03-29
机器学习领域涉及多种算法，其中聚类算法是一个重要分支，常见的聚类算法有kmeans，虽然原理简单，简单易用，但通常需要事先确定K值，k值选取与具体数据和业务场景紧密相关，一旦k值选取不合理会导致模型效果出现...
kmeans_k-means聚类算法_节点分类_
10-03
(1) 初始化：随机选择K个数据点作为初始的聚类中心（质心）。 (2) 分配阶段：将每个数据点分配到最近的质心所在的簇。 (3) 更新阶段：重新计算每个簇的质心，即该簇内所有数据点的均值。 (4) 迭代：重复步骤(2)...
基于优化初始类中心点的K-means改进算法 (2007年)
05-27
由于K-means算法终止于一个局部最优状态，所以初始类中心点的选择会在很大程度上影响其聚类效果．提出了一种K-means算法的改进算法，首先探测数据集中的相对密集区域，再利用这些密集区域生成初始类中心点．该方法...
基于遗传算法优化的利用kmeans对数据集聚类数（优化K）
09-06
该程序是基于matlab编写的，调用了kmeans函数和遗传算法工具箱，这个函数主要部分是在定义遗传算法的适应度函数上，最后取整数就是K值了。 程序附带了自己定义的排序函数，该函数的作用是先对一个矩阵里A列进行排序...
kmeans_Kmeans_K._kmeansclustering_
10-04
1. **初始化**：随机选择K个数据点作为初始的簇中心（质心）。 2. **分配**：根据每个数据点与这K个质心的距离，将数据点分配到最近的簇。 3. **更新**：重新计算每个簇的质心，将其设置为该簇内所有数据点的均值。 ...
kMeans_k均值聚类_K均值_Kmeans_K._
09-29
1. 初始化：选择K个初始聚类中心，通常随机选取数据集中的一部分点作为起始中心。 2. 分配：根据每个数据点与聚类中心的距离，将其分配到最近的簇。 3. 更新：重新计算每个簇中所有数据点的均值，作为新的聚类中心。...
kmeans_matlab_Kmeans_K._kmeans_
10-01
通常，我们随机选取数据集中的K个样本点作为初始的聚类中心。 2. **分配数据**: 对于每个数据点，计算其与所有聚类中心的距离，并将其分配到距离最近的聚类。这个过程可以使用欧几里得距离或曼哈顿距离等度量方式。...
kmeans_Kmeans_K._
10-02
- 初始化：选择K个初始质心（centroid），通常随机选取数据集中的K个点。 - 分配阶段：将每个数据点分配到与其最近的质心所在的类别。 - 更新阶段：重新计算每个类别的质心，取该类别所有数据点的均值作为新的...
kmeans_K._kmeansmatlab_kmeans_
10-01
K-means算法的基本思想是将数据集分为K个簇，使得每个簇内的数据点尽可能相似，而簇间的差异尽可能大。其主要步骤包括： 1. 初始化：随机选择K个数据点作为初始质心。 2. 聚类：将所有数据点分配到最近的质心所在的...
SX1909025周星楠_Kmeans_K._
10-02
然后，随机选择K个数据点作为初始的质心，这些质心代表了每个簇的中心。 2. **迭代**：接下来，根据每个数据点与最近质心的距离，将数据点分配到相应的簇。对于每个数据点，计算它与所有质心的距离，将其归类到距离...
NG机器学习总结（八）-K-means
徐先森的博客
11-03 438
一、无监督学习 无监督学习（Unsupervised Learning），顾名思义，就是不受监督的学习，一种自由的学习方式。该学习方式不需要先验知识进行指导，而是不断地自我认知，自我巩固，最后进行自我归纳，在机器学习中，无监督学习可以被简单理解为不为训练集提供对应的类别标识（label）。可以简单的理解为每条数据没有类别标签来标识。看下面的两张图： 有监督学习： 无监督学习： 有监...
聚类分析--k中心点算法
热门推荐
我很帅的专栏
11-24 2万+
k中心点算法思想：k-means是每次选簇的均值作为新的中心，迭代直到簇中对象分布不再变化。其缺点是对于离群点是敏感的，因为一个具有很大极端值的对象会扭曲数据分布。那么我们可以考虑新的簇中心不选择均值而是选择簇内的某个对象，只要使总的代价降低就可以。PAM（partitioning around medoid，围绕中心点的划分）是具有代表性的k-medoids算法。它最初随机选择k个对象作为中心点，
K-means算法
chp的博客
10-24 1万+
目录算法概述算法原理算法推导算法流程K值的确定 算法概述 K-means算法也称为K_均值算法，用于聚类算法。聚类是一种无监督学习，他将相似的对象归于一个簇中，簇中心通过簇中所有点的均值来计算。聚类算法与分类算法的主要区别就是分类的目标类别已知，而聚类的目标类别未知。 簇：所有数据点的点集合，簇中的对象是相似的 质心：簇中所有点的中心（由簇中所有点的均值求得） SSE:Sum of Sqared Error 平方误差和，SSE越小表示越接近质心 算法原理 误差平方和SSE用来衡量K-means算法的好坏SS
k-Means聚类算法
zmj52的博客
03-11 531
（1）K-means算法 a)聚类是一种无监督的学习，它将相似的对象归到一个簇中，将不相似对象归到不同的簇中。使用的数据类型是数值类型。 b)相似这一概念取决于所选择的相似度计算方法，例如计算欧式距离。 c)K-means是发现给定数据集的K个簇的聚类算法，之所以称之为k-均值，是因为它可以发现k个不同的簇，且每个簇的中心采用簇中所含值的均值计算。 d)簇的个数k是用户指定的，每一个簇通过其质心(centroid)，即簇中所有的中心点来描述。 e)聚类与分类算法最大的区别在于，分类的目标类别已知，而聚类的目
改进kmeans算法对初始中心点的选取怎么改进
03-31
K-means算法的初始中心点选择对聚类结果有很大的影响。以下是几种改进K-means算法对初始中心点的选取的方法： 1. K-means++算法：K-means++算法是在原有的K-means算法基础上改进的。该算法首先随机选取一个点作为第一个中心点，然后依次选择其他中心点，每次选择一个距离已有中心点最远的点作为新的中心点。 2. 均值漂移算法：均值漂移算法是一种无监督的聚类算法，可以自动选择中心点。该算法将所有点看作概率密度函数，计算每个点的密度函数，然后在密度函数的高峰处选择中心点。 3. 遗传算法：遗传算法可以用来优化K-means算法中初始中心点的选择。该算法通过遗传算法的优化过程来选择最优的初始中心点。 4. 层次聚类算法：层次聚类算法可以通过自动选择初始中心点来改进K-means算法。该算法通过计算点与点之间的距离来构建一个树形结构，然后根据树形结构中的分支来选择初始中心点。 5. DBSCAN算法：DBSCAN算法也可以用来自动选择初始中心点。该算法通过计算点之间的距离和密度来自动选择初始中心点。

“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 2
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
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