k-means如何选择合适的k?

最新推荐文章于 2022-07-20 12:05:40 发布
最新推荐文章于 2022-07-20 12:05:40 发布
阅读量1.3k 收藏 1
点赞数
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/leijun00/article/details/14519381
版权
一般来说是三种思路:
1. 根据经验值人工设定.
2. 先用canopy跑一遍, 估算出K.
3. 对不同的K,画出损失函数随K的变化曲线,选择曲线的拐点对应的K. 一般按K=1，2，4，8......选择

在第一次随机选择K个中心点的时候，如果K<10，需要多次随机选取K个中心点，选择损失函数最小的作为最终的初始中心。K>10的时候，随机选择一次就可以了。

实际工程中, 往往是先熟悉数据, 根据业务需求人工选定合适的K, 大家有什么好的意见没?
程序员雷军
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
kmeans算法的k值选择
m0_62865498的博客
05-06 5801
确定 K 值是 K-means 聚类分析的一个重要步骤。不同的 K 值可能会产生不同的聚类结果，因此选择合适的 K 值非常重要。
Kmeans算法寻找合适K值
yanan9256
09-09 1562
本文介绍使用DB_Index准则评估K的最优取值。 类内离散度和类间聚类常被用来判断聚类的有效性，DB_Index准则同时使用了类间聚类和类内离散度。 <># 载入示例数据 data <- read.csv("C:/path/question_cluster.csv", header = T, stringsAsFactors = F)DB_index <- funct
kmeans K值选择
qq_34438672的博客
09-29 152
转载：：https://blog.csdn.net/qq_15738501/article/details/79036255
kmeans聚类理论篇
weixin_34356555的博客
04-04 125
前言 kmeans是最简单的聚类算法之一，但是运用十分广泛。最近在工作中也经常遇到这个算法。kmeans一般在数据分析前期使用，选取适当的k，将数据分类后，然后分类研究不同聚类下数据的特点。 本文记录学习kmeans算法相关的内容，包括算法原理，收敛性，效果评估聚，最后带上R语言的例子，作为备忘。 算法原理 kmeans的计算方法如下： 1 随机选取k个中心点 2 遍历所有数据，...
k均值的损失函数_K-means算法笔记
weixin_39747755的博客
12-19 3175
简介K-means算法又叫K-均值算法，是非监督学习中的聚类算法。基本思想在K-means算法中，用cluster来表示簇，K-means算法收敛等同于所有质心不再发生变化。基本的k-means算法流程如下：选取k个初始质心(作为初始cluster，每个初始cluster只包含一个点)；repeat: 对每个样本点，计算得到距离其最近的质心，将其类别标为该质心所对应的cluster； 重新计算k个...
K-means.rar_K._k-means聚类算法
07-14
K-means算法是一种广泛应用的无监督机器学习方法，主要用于数据的聚类分析。它通过将数据集中的样本点分配到预先设定的K个类别中，使得每个类别的内部数据相似度最大，而不同类别间的差异性最大。在这个“K-means....
K-Means-improvement_k-means_K均值_K._
10-02
K均值（K-Means）算法是...综上，K-Means及其改进算法在各种领域有着广泛的应用，但需根据实际问题的特点选择合适的聚类方法。在进行数据分析时，理解K-Means的工作原理并熟悉其优缺点，能帮助我们更好地利用这一工具。
k-means.zip_assignment_k-means_machine learning ex7
07-15
2. **敏感性**：K-means对初始质心的选择敏感，不同的初始位置可能导致不同的聚类结果。可以通过多次运行并取最优结果来缓解这个问题。 3. **处理大数据集**：对于大规模数据集，K-means的计算复杂度可能会很高，...
详解Java实现的k-means聚类算法
08-28
2. 初始质心选择：选择初始质心，k-means聚类算法需要初始质心来确定每个簇的中心点。 3. 数据分组：根据每个数据点与质心的距离，将数据点分配到相应的簇中。 4. 质心更新：计算每个簇的质心，并更新质心列表。 5. ...
python基于K-means聚类算法的图像分割
09-18
在图像处理领域，图像可以被看作是二维矩阵，其中每个像素代表一个数据点，因此K-means非常适合用来对图像进行分割。 ### 1. K-means算法 #### 1.1 算法流程 K-means算法的基本步骤如下： 1. **初始化**：随机...
K-means聚类算法
04-20
k-means算法。它不仅是最简单的聚类算法，也是最普及且最常用的。k-means算法是一种基于形心的划分数据的方法。我们给定一个数据集DD，以及要划分的簇数kk，就能通过该算法将数据集划分为kk个簇。一般来说，每个数据项只能属于其中一个簇。具体方法可以这样描述： 假设数据集在一个mm维的欧式空间中，我们初始时，可随机选择kk个数据项作为这kk个簇的形心Ci,i∈{1,2,…k}Ci,i∈{1,2,…k}，每个簇心代表的其实是一个簇，也就是一组数据项构成的集合。然后对所有的nn个数据项，计算这些数据项与CiCi的距离（一般情况下，在欧式空间中，数据项之间的距离用欧式距离表示）。比如对于数据项Dj,j∈{1,…n}Dj,j∈{1,…n}，它与其中的一个簇心CiCi最近，则将DjDj归类为簇CiCi. 通过上面这一步，我们就初步将DD划分为kk个类了。现在重新计算这kk个类的形心。方法是计算类中所有数据项的各个维度的均值。这样，构成一个新的形心，并且更新这个类的形心。每个类都这样计算一次，更新形心。 对上一步计算得到的新的形心，重复进行第（1），（2）步的工作，直到各个类的形心不再变化为止。
python 寻找多维样本中k-sigma置信椭圆外的离群值
ltd5263的博客
12-09 1269
pyhton寻找多维样本中k-sigma置信椭圆外的离群值 处理样本时常常需要寻找样本的离群值。离群值的判断方式有很多，最简单也是最常用的方法之一就是正态分布的k-sigma法。 函数输入：二维m x n 的array，n是样本的参数，比如样本的x，y，z轴坐标等。m是不同的样本数据，比如a点，b点，c点等。m和n顺序可调换。 根据样本的均值和协方差矩阵，计算样本的置信椭圆。 返回：在k-sigma外的的离群值系数。 数学基础参考https://www.jianshu.com/p/7ea61c9c2135
Kmeans聚类时K值选择的方法
weixin_43624833的博客
07-20 1万+
kmeas聚类方法中，常用的K值的选取方法
python异常数据_python异常数据预警之3sigma
weixin_39943000的博客
12-04 1940
3sigma原理一般在工程科学中比较常用，我们在故障预警中用过这个原理，数据是用传感器采集的数据，这些数据假定符合正态分布，然后在进行模型识别后用3sigma原则来对异常数据进行准确定位。在实际应用中可以根据业务场景来确定 k sigma中的k值。3sigma原理可以简单描述为：若数据服从正态分布，则异常值被定义为一组结果值中与平均值的偏差超过三倍标准差的值。即在正态分布的假设下，距离平均值三倍 ...
【聚类】详解常用的聚类算法（K-Means、DBSCAN等）
程序星空实验室
06-09 7675
聚类是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。聚类是一种运用广泛的探索性数据分析技术，人们对数据产生的第一直觉往往是通过对数据进行有意义的分组，通过对对象进行分组，使相似的对象归为一类，不相似的对象归为不同类。常见的聚类算法有kmeans、DBSCAN、谱聚类。在无监督学习中，目标通过对无标记数据训练样本的学习来揭示数据内在的性质规律，将数据集中的样本划分为多个不相交的子集。......
如何确定K-means算法中的k值？
黄佳俊的博客
05-25 2612
最常用最简单的方法可视化数据，然后观察出聚类聚成几类比较合适 绘制出k-average with cluster distance to centroid的图表，观察随着k值的增加，曲线的下降情况，当曲线不再“急剧”下降时，就是合适的k值 计算不同k值下KMeans算法的BIC和AIC值，BIC或AIC值越小，选择该k值 使用 Canopy算法先进行粗略的聚类，产生的簇的个数，作为KMeans算法的k值 使用x-means方法结合BIC准则去判定簇的个数，也就是k值 使用Gap Statistic
确定最佳聚类数matlab代码_K-means聚类最优k值的选取
weixin_39606019的博客
11-26 6078
最近做了一个数据挖掘的项目，挖掘过程中用到了K-means聚类方法，但是由于根据行业经验确定的聚类数过多并且并不一定是我们获取到数据的真实聚类数，所以，我们希望能从数据自身出发去确定真实的聚类数，也就是对数据而言的最佳聚类数。为此，我查阅了大量资料和博客资源，总结出主流的确定聚类数k的方法有以下两类。1.手肘法1.1 理论手肘法的核心指标是SSE(sum of the squared errors...
kmeans聚类算法如何选k值？
weixin_44590417的博客
07-11 1万+
Kmeans聚类算法选k值的方法
【机器学习】——K_means如何选择k值？
m0_46568930的博客
12-30 5812
  K_means聚类是我们在无监督学习中常用的一种算法，但有一个很让人头疼的问题就是如何选择k值。在实际业务中，如果根据业务场景明确知道要得到的类数，那就好办了，但很多时候不知道K怎么办呢？下面有三种方法可以用来确定k值，其基本思想还是最小化类内距离，最大化类间距离，使同一簇内样本尽可能相似，不同簇中样本尽可能不相似. 1.肘部法   随着k值增大，误差值会越来越小（举一个极端的例子：当每一个样本被分为一个类时，类内间距最小，但这显然不是我们想要的），因此可根据不同k值下的误差曲线选择使误差平方和下降最快
K-means变种：K-medoids算法详解
K-means算法的优点包括算法框架简单，易于理解和实现，特别适合大数据集的处理。然而，它也存在一些局限性，如对初始聚类中心敏感，可能会陷入局部最优解，且对异常值敏感，同时要求预先设定簇的数量K，这在实际应用...
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