目录
一、K-means
1、概念
无监督学习:没有目标值(没有标签)。
(聚类一般在分类之前,没有目标值的时候使用聚类)
采用迭代式的算法,直观易懂且实用。
缺点:容易受到局部最优解(避免:多次聚类,取多次聚类中心)。
最优解:k个中心点挤在一起。
例:对这些人物的分类,没有目标值,就是无监督学习。
2、过程
例:对该无规则点图片进行分类,无监督学习分成3个区域(无目标值):
1、先选择K个特征点作为特征中心;(这里分成3堆,3个特征点)
2、分别计算每个点到K个聚类中心的距离,选择最近的一个中心,标记类别与其一致;
3、接着对着标记的聚类中心之后,重新计算出每个聚类的新中心点(平均值);
4、如果计算得出的新中心点与原中心点一样,那么结束,否则重新进行第2步过程。
求解中心点:
3、API(K-means)
二、K-means性能评估
1、轮廓系数
ai:内部距离;
bi:外部距离。
轮廓系数分析:
效果好的指标:高内聚,低耦合。(内部聚合,外部分开)
可以看出:
轮廓系数Sc =1时,聚类效果最好(bi>>ai,即外部距离远大于内部距离);
轮廓系数Sc=-1时,聚类效果最差(bi<<ai,即外部距离远小于内部距离)。
2、API(轮廓系数)