Kmeans算法和代码实现

最新推荐文章于 2024-08-27 20:48:02 发布

或许快要下雪了吧

最新推荐文章于 2024-08-27 20:48:02 发布

阅读量333

点赞数

分类专栏：机器学习算法

本文链接：https://blog.csdn.net/qq_40647378/article/details/103377775

版权

本文介绍了K-means算法的基本思想和步骤，包括选择初始中心点，计算样本与中心点的距离并进行聚类，以及如何更新中心点。此外，还提到了个人知识背景中的数组和nonzero函数的应用。

摘要由CSDN通过智能技术生成

一、简介
K-means算法的思想就是对空间K个点为中心进行聚类，对靠近他们的对象进行归类，通过迭代的方法，逐次更新聚类中心(质心)的值，直到得到最好的聚类结果。K-means过程：
1.首先选择k个类别的中心点
2.对任意一个样本，求其到各类中心的距离，将该样本归到距离最短的中心所在的类
3.聚好类后，重新计算每个聚类的中心点位置
4.重复2,3步骤迭代，直到k个类中心点的位置不变，或者达到一定的迭代次数，则迭代结束，否则继续迭代

二、个人知识背景补充
1.数组：
https://baike.baidu.com/item/%E6%95%B0%E7%BB%84/3794097?fr=aladdin

2.nonzero：
https://blog.csdn.net/u013698770/article/details/54632047

np.nonzero函数是numpy中用于得到数组array中非零元素的位置（数组索引）的函数,就是行下标组和列下标组

#代码似乎没对整齐。第一次整这个，以后注意

import numpy as np
#读取数据，变成list，存取数据
def loadDataSet(fileName):
    dataMat=[]
    fr=open(fileName)
    for line in fr.readlines():
        curLine=line.strip.split('\t')
        fltLine=map(float,curLine)     #map内置函数，返回一个list
        dataMat.append(fltLiene)
    return dataMat

#定义欧式距离
def distEclud