K-means算法补充:K-means++

K-means++算法是为了解决K-means对初始聚类中心敏感的问题,通过迭代计算最大概率值来选择聚类中心,以提高聚类质量。相比标准K-means的随机初始化,它能更有效地产生聚类中心,减少因初始值不同导致的聚类结果差异。详细实现和代码可以参考相关链接。
摘要由CSDN通过智能技术生成

K-means算法是机器学习经典算法之一,对于机器学习的初学者来说,最先接触的应该就是该算法,对于K-means算法思想都已经很熟悉了,本文主要介绍K-means聚类中心的初始化。

K-means算法对聚类中心的初始化比较敏感,不同的初始值会带来不同的聚类结果。在标准的K-means算法中,初始聚类中心采用随机采样方式,但是不能保证得到期望的聚类结果。为了获得较好的聚类结果,也可以采用多次随机初始聚类中心,然后对比分析聚类结果进行选择聚类中心,但却需要很多计算时间。

David Arthur提出的K-means++算法,能够有效产生聚类中心。K-means++算法:首先随机初始化一个聚类中心C={c1};然后通过迭代计算最大概率值:
这里写图片描述
其中d(x,C)为:这里写图片描述
然后加入下一个聚类中心:

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值