机器学习:R实现k-means算法做画像

1.K-means应用场景:
K-means算法通常可以应用于维数、数值都很小且连续的数据集,比如:从随机分布的事物集合中将相同事物进行分组。
具体可参考:
https://blog.csdn.net/yunqiinsight/article/details/80134331
2.K-means算法原理:
K-means算法是根据数据点之间的欧氏距离进行聚类的,是一种无监督学习算法,步骤要点是:

  1. 选择一个聚类数k,迭代次数n
  2. 随机选择K个点作为初始簇中心
  3. 计算周围节点与这K个点的欧式距离,距离近的加入该点形成的簇,得到初始簇
  4. 对初始簇计算质心,作为下一轮簇中心,再进行聚类,然后再计算质心
  5. 重复之心第4步,直到迭代次数结束,形成最终簇和最终簇中心。

那么详细的计算过程可以参考https://www.cnblogs.com/pinard/p/6164214.html:
3.k-means算法R实现:
1)对导入的数据进行格式转化
由于k-means算法根据欧式距离判断数据点归属哪个类,故需要将数据转化成数值型。若存在字符形式的,需先转化成因子型,再转化为数值型。
在这里插入图片描述
2)对数据做标准化处理
数据之间量纲不一致导致数据无法对比,需要进行标准化处理,使用scale()函数将数据标准化为均值是0,方差是1的数据。
在这里插入图片描述
3)加载相关聚类包
在这里插入图片描述
一定要设置随机数种子,因为k-means最开始是随机找初始簇中心。
set.seed(123)
4)验证数据是否是高度可聚合
若输出值<0.5,则表示该数据是高度可聚合的。
在这里插入图片描述
5)输出最优聚类数
在这里插入图片描述
6)进行k-means聚类

7)模型评估
8)结果解析

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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