1、聚类的使用
1)事先不知道样本的类别,甚至不知道需要得出的类别个数。
2)样本类别之间有差异性,分类结果能很好地解释预期现象。
3)一般用于数据探索,比如发现群组和离群点检测,还可以作为其他算法的预处理步骤。
2、样本选择:
很多教程都告诉我们基于划分方法的聚类多适用于中等体量的数据集,但我们也不知道“中等”到底有多“中”。通常认为记录数量一般没有限制,与实际应用有关,但样本中记录个数一般要大于聚类数的平方。
3、K-Mean聚类算法:
聚类分析是一种分类的多元统计分析方法。按照个体或样品的特征将它们分类,使同种类别的样本放到一起,所有样本最终会形成K个簇,在同一类别内的个体具有尽可能高的同质性(homogeneity) 。它属于无监督学习。
核心思想:
根据给定的K值和K个初始质心将样本中每个点都分到距离最近的类簇中,当所有点分配完后根据每个类簇的所有点重新计算质心,一般是通过平均值计算,然后再将每个点分到距离最近的新类簇中,不断循环此操作,直到质心不再变化或达到一定的迭代次数。
K-means 聚类算法的优点:对大数据集合聚类效果明显,聚类快速且易于实现。
算法步骤:
Kmeans算法的步骤如下:
选