K_Means算法对点集进行分类

最新推荐文章于 2021-03-08 16:06:36 发布

好想发论文

最新推荐文章于 2021-03-08 16:06:36 发布

阅读量1.3k

点赞数

分类专栏： C# 算法文章标签： C#

本文链接：https://blog.csdn.net/qq_41831741/article/details/81809374

版权

K_Means是一种聚类分析方法，旨在将数据点分组成若干个簇，使得组内数据点相似性高，组间差异大。算法通过迭代找到最优质心，直到簇不再变化或达到最大迭代次数。核心代码展示了如何迭代一次，计算每个样本点与质心的距离并分配簇。

摘要由CSDN通过智能技术生成

K_Means

什么是聚类分析
聚类分析是在数据中发现数据对象之间的关系，将数据进行分组，组内的相似性越大，组间的差别越大，则聚类效果越好。
明显分离的
可以看到(a)中不同组中任意两点之间的距离都大于组内任意两点之间的距离，明显分离的簇不一定是球形的，可以具有任意的形状。
算法思想较为简单如下所示：
选择K个点作为初始质心
repeat
将每个点指派到最近的质心，形成K个簇
重新计算每个簇的质心
until 簇不发生变化或达到最大迭代次数

核心代码：
//类方法：迭代一次
public void IterateOnce()
{
//逐一计算每个样本点所属的簇
for (int i = 0; i <= _SampleList.Count - 1; i++)
{
//计算该样本点与每个簇(质心点)的距离，并划归到距离最近的簇
double minDist = 9999999;
for (int j = 0; j <= _ClusterList.Count - 1; j++)
{
double dist = CalcDist(_SampleList[i], _ClusterList[j]);
if (dist < minDist)
{
minDist = dist;
_SampleList[i]._ClusterID = j; //划归到该簇中
}
}
}