Kmeans聚类③——Kmeans聚类原理&轮廓系数&Sklearn实现

最新推荐文章于 2024-08-17 09:20:14 发布
最新推荐文章于 2024-08-17 09:20:14 发布
阅读量2.1w 收藏 167
点赞数 16
分类专栏： Kmeans 文章标签： Kmeans原理 keans聚类评判标准 轮廓系数 Kmeans sklearn实现 Kmeans范例
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/cindy407/article/details/92063986
版权
本文介绍了KMeans聚类的基本原理，包括数据向量化、聚类中心的选择和迭代过程。讨论了KMeans的评判标准，如霍普金斯统计量、肘部法则和轮廓系数，并探讨了为何在推荐系统中常使用余弦相似度。此外，还阐述了在Sklearn库中实现KMeans的主要参数和应用实例，强调了CH分数在多维特征聚类评估中的作用。
摘要由CSDN通过智能技术生成

数据分析目录（文末有超级彩蛋！）：
一、Excel系列——四大常用函数及十大高级图表
二、SQL系列——性能优化/多表关联/窗口分析函数等
三、统计学系列——概率论/置信区间/相关/抽样等
四、Pandas系列——数据读取/清洗/规整/分析实战等
五、Python做图系列——箱型图/散点图/回归图/热力图等
六、业务积累系列——流水预测/精细化运营/排序算法等
七、Kmeans系列——原理/评价指标/RFM实战等
八、决策树系列——算法原理/调参/python实现/项目实战
九、贝叶斯系列——算法原理/3种模型/文本分类实战
十、神经网络系列——BP算法原理/最小二乘法/项目实战

Kmeans是我接触的第一个机器学习算法，原理简单，却很实用，只要一想到聚类，基本上没有Kmeans解决不了的问题（此处略有夸张~~），本篇整理了Kmeans聚类原理，评判标准以及Sklearn实现过程（文末有大礼赠送）

一、Kmeans聚类原理

用大白话来说，Kmeans分为三步：

1、待分类的样本向量化，投射到坐标轴上，先定分几个类（假设3类），随

最低0.47元/天 解锁文章
数据小斑马
关注
专栏目录
【聚类】K-Means聚类（优缺点、手肘法、轮廓系数法、检测异常点、图像压缩，含代码实战）
学无止境、积少成多、厚积薄发
03-23 5966
K-Means聚类（优缺点、手肘法、轮廓系数法、检测异常点、图像压缩，含代码实战）
K-Means算法详细介绍(SSE、轮廓分析)
热门推荐
修炼之路
04-29 4万+
在前面我们介绍过了很多的监督学习算法，分类和回归。这篇文章主要介绍无监督算法，通过聚类分析来处理无类标数据。我们事先并不知道数据的正确结果(类标)，通过聚类算法来发现和挖掘数据本身的结构信息，对数据进行分簇(分类)。聚类算法的目标是，簇内相似度高，簇间相似度低。有点像LDA降维算法，类内方差最小，类间方差最大。这篇文章主要包括：1、K-Means算法2、K-Means++3、硬聚类和软聚类4、聚类...
了解 K-Means 聚类的工作原理（详细指南）
最新发布
gongdiwudu的专栏
08-17 2044
K-means 的目标是将一组观测值划分为 k 个聚类，每个观测值分配给均值（聚类中心或质心）最接近的聚类，从而充当该聚类的代表。
K-Means和轮廓系数
qq_38785977的博客
04-24 3336
观察上图，乍一看，数据应该能被分成4簇，但有的人觉得分成2簇（左下1簇，右上1簇），或者分成3簇（最下面1簇，中间1簇，右上1簇）也是合理的。由公式可知，S取值范围为（-1, 1），当S越接近于1，则聚类效果越好，越接近-1，聚类效果越差。计算公式如上图所示，其中，a表示样本点与同一簇中所有其他点的平均距离，即样本点与同一簇中其他点的相似度；K-means（K均值）是机器学习中一种常见的无监督算法，它能够将未知标签的数据，根据它们的特征分成不同组，每一组数据又称为“簇”，每一簇的中心点称为“质心”。
Python——Kmeans聚类算法、轮廓系数（算法理论、代码）
小平凡的记录的博客
02-22 2万+
Kmeans聚类算法、轮廓系数（算法理论、代码）、饼图
Sklearn 成长之路（五）K-means聚类及其评价指标——轮廓系数
koko_TT的博客
04-16 3万+
聚类结果评价指标——轮廓系数 某个点的轮廓系数定义为： s=disMeanout−disMeaninmax(disMeanout,disMeanin)s =\frac{disMean_{out} - disMean_{in}}{max(disMean_{out}, disMean_{in})}s=max(disMeanout​,disMeanin​)disMeanout​−disMeanin​​ ...
kmeans学习笔记轮廓系数以及使用KMeans做矢量量化
weixin_45271076的博客
06-23 2050
from sklearn.cluster import KMeans cluster=KMeans(n_clusters=3,random_state=0).fit(X) y_pred=cluster.labels_ color=["red","pink","orange","gray"] #根据聚类结果画图 fig,ax1=plt.subplots(1) for i in range(3): ax1.scatter(X[y_pred==i,0],X[y_pred==i,1] ...
实验报告——Kmeans聚类方法.docx
01-22
实验报告——Kmeans聚类方法 K-means 聚类方法是最为经典的基于划分的聚类方法之一，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。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好...
Kmeans聚类①——数据标准化&归一化&正则化
cindy407的博客
06-14 3万+
在进行机器学习之前，经常需要对训练数据进行标准化/归一化/正则化，为什么呢？ **1）去除量纲的影响，将有量纲的数值变成无量纲的纯数值； 2）是去除各特征之间数值差异过大的问题，比如一个向量（uv:10000, rate:0.03,money: 20)，如果要与其它向量一起计算欧氏距离或者余弦相似度时，会向uv倾斜非常严重，导致其余2个特征对模型的贡献度非常低 3）提升训练的速度，防止过拟合 一、...
python实现kmeans聚类算法的源码（下载即用）.zip
01-15
python实现kmeans聚类算法的源码（下载即用）.zippython实现kmeans聚类算法的源码（下载即用）.zippython实现kmeans聚类算法的源码（下载即用）.zippython实现kmeans聚类算法的源码（下载即用）.zippython实现kmeans...
kmeans聚类
05-07
多维kmeans聚类，有数据例程，有轮廓系数评价聚类效果
k-Means讲解1
08-04
算法介绍整个算法可以描述成这个样子：step1: 从训练集D中选择k个样本作为初始均值向量step2: 计算每个样本与各个均值向量之间的距离step3: 根据距
Kmeans聚类算法-手肘法
01-08
**KMeans聚类算法**是无监督学习中的一个经典方法，用于将数据自动分为不同的类别。这个算法基于中心点的概念，通过迭代优化找到数据的最佳分组。KMeans的基本步骤包括初始化聚类中心、分配数据点到最近的中心、更新...
K-Means 算法
markshui的博客
08-29 1086
一、聚类算法概念 所谓聚类问题，就是给定一个元素集合 D，其中每个元素具有 n 个可观察属性，使用某 种算法将 D 划分成 k 个子集，要求每个子集内部的元素之间相异度尽可能低，而不同子集的 元素相异度尽可能高。其中每个子集叫做一个簇。与分类不同，分类是示例式学习，要求分 类前明确各个类别，并断言每个元素映射到一个类别，而聚类是观察式学习，在聚类前可以 不知道类别甚至不给定类别数量，是无监督学习的一种。目前聚类广泛应用于统计学、生物 学、数据库技术和市场营销等领域，如： 在商务上，聚类能帮助市场分析人员从客
[机器学习与scikit-learn-26]：算法-聚类-KMeans寻找最佳轮廓系数
文火冰糖（王文兵）的博客
03-17 1532
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客 本文网址： 目录 前言： 第1章 指定聚类情况系的轮廓系数 1.1 非排序的轮廓系数 1.2 轮廓系数排序后的展示--横向展示 1.3轮廓系数排序后的展示--纵向展示 第2章 cluster=4时候的轮廓系数（排序） 第3章 不同聚类数情形下的轮廓系数展示 3.1 代码 3.2 n_cluser=2 3.3 n_cluser=3 3.4 n_cluser=4 3.5 n_cluser=..
基于数据kmeans_data分析聚类画图 使用sc轮廓系数作为评价指标
weixin_46066900的博客
05-21 1753
1、基于python实现K-Means 迭代停止的条件： a、簇中a心相较b上一次迭代未改变 ≈ 所有样本点较上一次迭代未改变划分类别 b、达到人为设置的最大迭代次数 2、 基于sklearn实现K-Means 语法：from sklearn.cluster imports KMeans model = KMeans(n_clusters=k) model.fit(data) y_pred = model.predict(data) 属性： cluster_centers_:簇中心【数组】 centro
机器学习-KMeans聚类(肘系数Elbow和轮廓系数Silhouette)
Santorinisu Blogs
02-23 1万+
Section I： Brief Introduction on KMeans Cluster The K-Means algorithm belongs to the category of prototype-based clustering. Prototype-based clustering means that each cluster is represented by a prot...
聚类算法（K-MEANS、DBSCAN、轮廓系数）
weixin_65978597的博客
09-17 447
该算法对初始值的设定至关重要（不同的初始点会对结果产生很大的影响），如下图，再迭代无数次，也无法正确聚类。与传统的基于距离的聚类算法（如K-means）不同，DBSCAN利用样本点的密度来确定簇的边界。：若有一个点的序列q0、q1、...qk，对任意qi到qi-1是直接密度可达的，则称从q0到qk密度可达，这实际上是直接密度可阿达的“传播”。：若从某核心点p出发，点q和点k都是密度可达的，称点q和点k是密度相连的。：不属于任何一个类簇的点，从任何一个核心点出发都是密度不可达的。聚类：相似的东西分到一组。
kmeans聚类原理
10-19
kmeans聚类是一种基于划分方法的聚类算法，其原理是先初始化k个簇类中心，然后基于计算样本与中心点的距离归纳各簇类下的所属样本，迭代实现样本与其归属的簇类中心的距离为最小的目标。kmeans聚类的目标是将数据集划分为k个簇，使得同一簇内的数据点相似度较高，不同簇之间的相似度较低。在聚类过程中，需要不断迭代计算每个簇的中心点，并将数据点划分到最近的簇中。kmeans聚类的缺陷包括初始化中心点的问题和对异常值敏感等。
评论 1
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