机器学习第十二课(距离,K-means,聚类衡量指标)

最新推荐文章于 2024-01-04 17:26:46 发布
最新推荐文章于 2024-01-04 17:26:46 发布
阅读量1.3k 收藏 6
点赞数 1
分类专栏： 机器学习课程笔记
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/akon_wang_hkbu/article/details/77849581
版权

各种距离:





K-MEANS






Kmeans算法的缺陷

  • 聚类中心的个数K 需要事先给定，但在实际中这个 K 值的选定是非常难以估计的，很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适
  • Kmeans需要人为地确定初始聚类中心，不同的初始聚类中心可能导致完全不同的聚类结果。（可以使用Kmeans++算法来解决）




聚类的衡量指标:




akon_wang_hkbu
关注
专栏目录
[Python从零到壹] 十三.机器学习之聚类算法四万字总结全网首发（K-Means、BIRCH、树状聚类、MeanShift）
杨秀璋的专栏
07-06 1万+
欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望
一文速学数模-K-means聚类算法实战：信用卡用户画像聚类分析
master_hunter的博客
04-05 6900
该项目算是非常经典的金融业务用户画像的基础分析了，主要根据用户信用卡使用行为数据进行分析，根据收集到的不同字段信息，对每个用户划分类别。这里需要说明一下的是，聚类模型只是将具有相似行为的大部分用户聚集到一个类别里面，这点并不会考虑到每个字段的含义，也就是分成的类别并不是用户价值等级，此类别仅仅是这个类别大体相同的信用卡用户行为对象，并不能给每个用户价值打上标签，那是评价模型做的事，这里要注意不要搞混淆了，用户价值评价是评价模型决定的，而画像是聚类模型分析的。
为什么说K-Means是基于距离的聚类算法？
中科院计算所培训中心
03-12 7541
K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，两个对象的距离越近，其相似度就越大。K-means算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。k-means聚类，需要用户设定一个聚类个数k作为输入数据。k个初始类聚类中心点的选取，对聚类结果具有较大的。为了用k-means达到高质量的聚类，需要估计k值。可根据需要的聚类个数，估计k值。比如...
【机器学习笔记12】聚类（k-means)
Fred's Note
09-28 317
【参考资料】 【1】Spark MLlib 机器学习实践 【2】深入浅出K-Means 算法 http://www.csdn.net/article/2012-07-03/2807073-k-means K-means 算法 算法流程如下： （1）在样本中选择两个点（也可以是若干个）作为种子点； （2）计算其余各个样本离该种子点的距离，并将其分为两类； （3）将种子点移到（2）所分为的两类的中间...
k-medoids 聚类中距离度量函数的选取对聚类效果的影响
qq_45424267的博客
04-29 1417
k-medoids 聚类中距离度量函数的选取 数据聚类的一般流程为：选定特征、确定相似度、选择聚类算法、聚类结果评估。在此次试验中，各步骤具体采用方法如下： 选定特征 生成满足二维高斯分布的集合，特征为[x,y] 确定相似度(距离度量) ：若有两个样本点(x1,y1),(x2,y2)(x_1,y_1),(x_2,y_2)(x1​,y1​),(x2​,y2​) （1）欧式距离： d=(x1−x2)2+(y1−y2)2d =\sqrt{(x_1-x_2)^2 +(y_1-y_2)^2 }d=(x1​−x
机器学习——聚类——距离聚类法——K-means
PRINCE2327的博客
11-20 1万+
目录理论部分1.1 聚类概念1.1.1 定义1.1.2 与分类的区别1.2 相似度测量1.2.1 欧式距离1.2.2 马氏距离1.3 聚类准则1.3.1 试探方法1.3.2 聚类准则法1.4 常见聚类方法1.5 K均值聚类1.5.1 K均值聚类思想1.5.2 K均值聚类流程1.5.3 实例1.5.4 K均值聚类优点1.5.5 K均值聚类缺点1.6 评估指标代码部分2.1 K均值代码实现2.2 评估指标代码实现2.3 整体实现 理论部分 1.1 聚类概念 1.1.1 定义 定义： 对一批没有标出类别的模式样本
kmeans python变量重要性_Python机器学习随笔之K-Means聚类的实现
weixin_39888180的博客
12-10 301
作者：博观厚积 Python爱好者社区--专栏作者简书专栏：https://www.jianshu.com/u/2f376f777ef1公众号：Python爱好者社区1. K-Means聚类原理K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。其基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方...
一文速学数模-聚类模型(一)K-means聚类算法详解+Python代码实例
master_hunter的博客
08-07 1万+
博主共参与了数十场数学建模，其中对于未给出标签的数据进行分析时一般第一个想到的就是聚类算法。聚类算法分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。......
数据分析K-Means聚类（原理+电商平台销售实例）
最新发布
weixin_63283230的博客
01-04 3099
kmeans，数据分析，机器学习，数据挖掘，无监督学习
聚类之K-means分析以及优缺点
weixin_42555400的博客
07-01 1万+
K-means K-Means是最为经典的无监督聚类（Unsupervised Clustering）算法，其主要目的是将n个样本点划分为k个簇，使得相似的样本尽量被分到同一个聚簇。K-Means衡量相似度的计算方法为欧氏距离（Euclid Distance）。 K-Means算法的特点是类别的个数是人为给定的，如果让机器自己去找类别的个数，我们有AP聚类算法。K-Means的一个重要的假设是：数据之间的相似度可以使用欧氏距离度量，如果不能使用欧氏距离度量，要先把数据转换到能用欧氏距离度量，这一点很重要。（
聚类算法KMeans
m0_50572604的博客
11-20 2505
文章目录前言一、KMeans1.1 KMeans是如何工作的1.2 簇内误差平方和1.3 KMeans算法的时间复杂度二、sklearn.cluster.KMeans总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 一、KMeans KMeans可以说是最简单的聚类算法没有之一 1.1 KMeans是如何工作的 关键概念：簇与质心 KMeans算法将一组N个样本的特征矩阵.
机器学习 --- k-means
学习日常分享
06-17 1万+
k-means是属于机器学习里面的非监督学习，通常是大家接触到的第一个聚类算法，其原理非常简单，是一种典型的基于距离的聚类算法。 聚类算法中，将相似的数据划分为一个集合，一个集合称为一个簇。 k-means（k均值）聚类，之所以称为 k均值，是因为它可以发现k个簇，且每个簇的中心采用簇中所含值的均值计算而成。 本实训项目将基于Python语言搭建出一个k-means模型，并基于sklean实现对红酒数据进行聚类。 第1关：距离度量 任务描述 本关任务：使用Python编写一个能计算样本间欧式距离与曼哈顿距离
K-means聚类及距离度量方法小结
ASS-ASH的博客
10-24 2万+
基本概念不再介绍，直接进行关键点的总结叙述。 kmeans算法又名k均值算法,K-means算法中的k表示的是聚类为k个簇，means代表取每一个聚类中数据值的均值作为该簇的中心，或者称为质心，即用每一个的类的质心对该簇进行描述。 其算法思想大致为：先从样本集中随机选取 k个样本作为簇中心，并计算所有样本与这 k个“簇中心”的距离，对于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中，对于新的簇计算各个簇的新的“簇中心”。 根据以上描述，我们大致可以猜测到实现kmeans算法的主要四点：  
机器学习中的相似性度量
hit_kongquan的专栏
03-25 8326
<br /><br />在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。<br />　　本文的目的就是对常用的相似性度量作一个总结。<br /><br /><br />本文目录：<br />1. 欧氏距离<br />2. 曼哈顿距离<br />3. 切比雪夫距离<br />4. 闵可夫斯基距离<br />5. 标准化欧氏距离<br />6
机器学习面试题之Kmeans（七）
jaffe507的博客
03-27 5253
聚类 分类（class）与聚类（cluster）不同，分类是有监督学习模型，聚类属于无监督学习模型。聚类讲究使用一些算法把样本划分为n个群落。一般情况下，这种算法都需要计算欧氏距离。 欧氏距离即欧几里得距离。 P(x1)−Q(x2):∣x1−x2∣=(x1−x2)2P(x1,y1)−Q(x2,y2):(x1−x2)2+(y1−y2)2P(x1,y1,z1)−Q(x2,y2,z2):(x1−x2)2...
【机器学习】（5.1）聚类--距离度量
mjiansun的专栏
10-15 1983
前提 在机器学习和数据挖掘中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。最常见的是数据分析中的相关分析，数据挖掘中的分类和聚类算法，如 K 最近邻（KNN）和 K 均值（K-Means）等等。根据数据特性的不同，可以采用不同的度量方法。一般而言，定义一个距离函数 d(x,y), 需要满足下面几个准则： 1) d(x,x) = 0 // ......
K-Means聚类算法 — 算法原理、质心计算、距离度量、聚类效果评价及优缺点
zhf的博客
04-01 1万+
分类知识   分类是根据样本某些属性或某类特征（可以融合多类特征），把样本类型归为已确定的某一类别中。机器学习中常见的分类算法有：SVM(支持向量机)、KNN(最邻近法)、Decision Tree(决策树分类法)、Naive Bayes(朴素贝叶斯分类)、Neural Networks(神经网络法)等。   但当对海量数据进行分类时，为了降低数据满足分类算法要求所需要的预处理代价，往往需要选...
python中kmeans用的是什么距离_sklearn的kmeans使用的是哪种距离度量？
weixin_35132871的博客
12-24 2840
sklearn的dbscan等其他算法都会有一个metric参数来指定距离度量。为什么kmeans没有这样的参数。看了好久源码也没弄懂它默认的是哪种度量。sklearn的源码如下：class KMeans(BaseEstimator, ClusterMixin, TransformerMixin):"""K-Means clusteringRead more in the :ref:`User G...
基于距离的聚类方法--K-means
热门推荐
sinat_26230689的博客
08-02 3万+
1. K-means 确定k个划分达到平方误差最小 优点：算法快速，简单；对大数据集有较高的效率并且可伸缩；时间复杂度接近于线性并且适合挖掘大规模数据集。 缺点：k值的选定难以估计，初始类聚类中心点的选取对聚类结果有较大的影响；数据量大时，算法的时间开销大。 算法过程： 输入：k，data 1) 选取k个点作为质心； 2) 计算剩余的点到质心的距离并将点归到最近的质心的类； 3)
Stanford机器学习：K-means聚类算法详解
"Stanford机器学习课程讲解聚类算法，特别是K-means聚类算法，以及非监督学习的基本概念。" 在机器学习领域，聚类算法是一种重要的非监督学习技术，它主要用于发现数据集中的内在结构和模式，而无需预先知道数据的...
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
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