非监督学习
k:将数据划分为多少个类别
过程:
1、随即设置k个特征空间内的点作为初始的聚类中心
2、对于其他每个点计算到k个中心的距离,未知的点选择最近的一个聚类中心点作为标记分类
3、接着对着标记的聚类中心之后,重新计算出每个聚类的新中心点(平均值)
4、如果计算得出的新中心点于原中心点一样,那么结束,否则重新进行第二步
聚类评估标准:
轮廓系数:
s
c
i
=
b
i
−
a
i
m
a
x
(
b
i
,
a
i
)
sc_i=\frac{b_i-a_i}{max(b_i,a_i)}
sci=max(bi,ai)bi−ai
i
i
i为已聚类数据中的样本,
b
i
b_i
bi为
i
i
i到其他类群的所有样本的距离最小值,
a
i
a_i
ai为
i
i
i到本身类的距离平均值,取值范围为[-1,1],最好情况为1,最坏为-1
优点:采用迭代式算法,直观易懂并且实用
缺点:容易收敛到局部最优解(多次随机聚类)
k-means算法
最新推荐文章于 2020-12-06 00:14:46 发布