k-平均算法
k-平均算法源于信号处理中的一种向量量化方法,现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-平均聚类的目的是:把n个点(可以是样本的一次观察或一个实例)划分到k个聚类中,使得每个点都属于离他最近的均值(此即聚类中心)对应的聚类,以之作为聚类的标准。k-平均聚类倾向于在可比较的空间范围内寻找聚类,期望-最大化技术却允许聚类有不同的形状。
给定表示为d的N个实例的数据集(),将这些N个实例分割成k个聚类S1,…,Sk,使得一些目标函数f(S1,…,Sk)最小化
K是我们事先给定的聚类数,目标函数f也是事先给定的。
该算法主要分为两步:
分配(Assignment):将每个观测分配到聚类中,使得组内平方和(WCSS)达到最小。因为这一平方和就是平方后的欧氏距离,所以很直观地把观测分配到离它最近得均值点即可。(数学上,这意味依照由这些均值点生成的Voronoi图来划分上述观测)。
k-平均算法
最新推荐文章于 2023-06-20 00:37:12 发布
k-平均算法是一种常见的聚类分析方法,常用于数据挖掘。它将数据点分配到最近的聚类中心,通过迭代优化降低组内平方和(WCSS)。算法流程包括随机选择初始聚类中心,然后不断更新并重新分配数据点,直至达到收敛或达到预设的迭代次数。
摘要由CSDN通过智能技术生成