kmeans

最新推荐文章于 2022-05-06 18:54:07 发布

qq_38056367

最新推荐文章于 2022-05-06 18:54:07 发布

阅读量94

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/qq_38056367/article/details/108797367

版权

机器学习专栏收录该内容

13 篇文章 0 订阅

订阅专栏

请问从EM角度理解kmeans?

k-means是两个步骤交替进行，可以分别看成E步和M步
M步中将每类的中心更新为分给该类各点的均值，可以认为是在「各类分布均为单位方差的高斯分布」的假设下，最大化似然值；
E步中将每个点分给中心距它最近的类（硬分配），可以看成是EM算法中E步（软分配）的近似

为什么kmeans一定会收敛?

M步中的最大化似然值，更新参数依赖的是MSE，MSE至少存在局部最优解，必然收敛

kmeans初始点除了随机选取之外的方法？

先层次聚类，再在不同层次上选取初始点进行kmeans聚类

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
kmeans

请问从EM角度理解kmeans?k-means是两个步骤交替进行，可以分别看成E步和M步M步中将每类的中心更新为分给该类各点的均值，可以认为是在「各类分布均为单位方差的高斯分布」的假设下，最大化似然值；E步中将每个点分给中心距它最近的类（硬分配），可以看成是EM算法中E步（软分配）的近似为什么kmeans一定会收敛?M步中的最大化似然值，更新参数依赖的是MSE，MSE至少存在局部最优解，必然收敛kmeans初始点除了随机选取之外的方法？先层次聚类，再在不同层次上选取初始点进行kmeans聚
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。