K-means算法是一种基于划分的聚类方法，使用欧氏距离计算数据对象间的相似性。算法过程包括初始化类簇中心，迭代更新类簇中心并重新分配数据对象，直至满足停止条件。在鸢尾花数据集上实现，K-means表现出简单实现但对初始中心和类簇数量敏感等特性。k-means++可以改进初始中心选择，以提高聚类效果。
k-means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。数据对象间距离的计算有很多种，k-means算法通常采用欧氏距离来计算数据对象间的距离。
（1）计算数据对象的距离
k-means通常采用欧氏距离来计算数据对象间的距离。下面给出欧式距离的计算公式：
（2）聚类过程中，每次迭代，对应的类簇中心需要重新计算（更新）：对应类簇中所有数据对象的均值，即为更新后该类簇的类簇中心。定义第k个类簇的类簇中心为Centerk，则类簇中心更新方式如下：
其中，Ck表示第k个类簇，|Ck|表示第k个类簇中数据对象的个数，这里的求和是指类簇Ck中所有元素在每列属性上的和，因此Centerk也是一个含有D个属性的向量，表示为Centerk=(Centerk,1,Centerk,2,...,Centerk,D)。
k-means算法思想可描述为ÿ
最低0.47元/天 解锁文章
1004
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
