K-means是无监督学习中的经典算法，用于数据聚类。算法流程包括随机选择初始中心点，计算样本到中心点的距离并进行分类，然后更新中心点直至收敛。其优点包括简单快速，但缺点如k值难确定、易受噪声影响和可能陷入局部最优。K-means++是改进的初始化方式，能更优地选择中心点。软聚类如模糊C-means允许样本同时属于多个簇。
聚类是无监督学习中最常用的算法。
在机器学习与数据挖掘中，K-Means（（K均值））是一种无监督学习的算法。
1 具体算法流程如下：
（1）随机从样本中选取K个元素，作为k个类别的中心。
（2）分别计算每个样本到k个类别中心的距离，并将这些样本划归到距离最近的类别。即数据点距离哪个中心点最近就分到哪一类中。可以认为距离越近，两者之间越相似。而不同距离的度量其聚类结果不同。各种距离的计算
（3）将每个类别中心更新为隶属该类别的所有样本的均值；
（4）重复2~3步，直到迭代次数达到一定值或者每一类中心点移动小于某个临界值（即认为已经收敛）。
2 K-means的目标函数：
（多次运行K均值，产生的多个不同的簇集，优选SSE最小的。）
<
最低0.47元/天 解锁文章
扫一扫
5946
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
