聚类算法学习笔记（2）__K-Means聚类算法

最新推荐文章于 2024-06-19 20:16:31 发布

weew_pp

最新推荐文章于 2024-06-19 20:16:31 发布

阅读量7.7k

点赞数

分类专栏： Mahout 文章标签：算法大数据聚类数据挖掘

本文链接：https://blog.csdn.net/weew_pp/article/details/38512809

版权

本文详细介绍了K-Means聚类算法的理论和模拟过程，包括算法的基本步骤、K值的选择策略、聚类效果评估及其实现。通过实例分析，展示了算法在大数据聚类和数据挖掘中的应用。

摘要由CSDN通过智能技术生成

在聚类算法中下手，必然要从经典的K-Means聚类算法（K-Means clustering algorithm）和K-Modes聚类算法（K-Modes clustering algorithm）开始。根据Liam_Q和Intergret在文中介绍的内容，我对K-Means聚类算法有了一个基本的了解。

第一部分：K-Means聚类算法的理论

1 基本Kmeans算法

[cpp] view plaincopy 
   
 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  

时间复杂度：O(tKmn)，其中，t为迭代次数，K为簇的数目，m为记录数，n为维数

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

weew_pp

关注关注

0
点赞
踩
17

收藏

觉得还不错? 一键收藏
1
评论
聚类算法学习笔记（2）__K-Means聚类算法

K-Modes聚类算法（K-Modes dustering algorithm）
复制链接

扫一扫

专栏目录

k-means聚类算法-mai笔记

05-31

k-means聚类算法是一种广泛应用的数据挖掘方法，用于无监督学习中的数据分类。它通过迭代寻找数据集中的k个核心点，将数据分配到最近的核心点所在的簇中，以此达到划分数据的目的。以下是对k-means算法的详细介绍： ...

【数学建模】聚类分析（评价与决策）

Edward的博客

08-03

1648

文章目录一、算法介绍二、适用问题三、算法总结四、应用场景举例五、SPSS操作六、实际案例七、论文案例片段（待完善）聚类分析主要针对数学建模问题中的一些小的子问题进行求解，如果想直接使用请跳转至——四、五视频回顾一、算法介绍聚类分析是统计学中研究这种“物以类聚”问题的一种有效方法，它属于统计分析的范畴。聚类分析的实质是建立一种分类方法，它能够将一批样本数据按照他们在性质上的亲密程度在没有先验知识的情况下自动进行分类。这里所说的类就是一个具有相似性的个体的集合，不同类之间具有明显的区别。聚类分

1 条评论您还未登录，请先登录后发表或查看评论

机器学习【聚类算法2】

weixin_43923463的博客

08-16

672

优化方法思路Canopy粗聚类配合kmeanskmeans++距离越远越容易成为新的质心二分k-means拆除SSE最大的簇k-medoids和kmeans选取中心点的方式不同映射到高维空间ISODATA动态聚类大数据集分批聚类降维是指在某些限定条件下，降低随机变量(特征)个数，得到一组“不相关”主变量的过程降低随机变量的个数相关特征(correlated feature)相对湿度与降雨量之间的相关等等正是因为在进行训练的时候，都是使用特征进行学习。...

c++K-means鸢尾花识别（自动生成非鸢尾花集，特征缩放）（来源于一篇大作业）

热门推荐

A496608119的博客

03-26

5万+

1 k-means聚类步骤 1、随机设置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类别 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与原中⼼点⼀样（质⼼不再移动），那么结束，否则重新进⾏第⼆步过程通过下图解释实现流程： 2. 案例联系 1、随机设置K个特征空间内的点作为初始的聚类中⼼（本案例中设置p1和p2） 2、对于其他每个点.

聚类算法学习笔记 (2).pdf

10-29

【聚类算法学习笔记】 聚类算法是一种无监督学习方法，其主要目标是根据数据对象的相似性将数据集划分为多个子集，即“簇”。在这个过程中，簇内的对象相似度较高，而簇间的对象则相对不相似。聚类与分类的主要区别...

聚类算法学习笔记 (2).docx

10-29

在数据分析和机器学习领域，聚类算法是一种无监督学习方法，用于发现数据集中的自然群体或类别，无需预先知道具体的类别信息。聚类是通过计算数据对象之间的相似性或距离来实现的，使得相似的对象被分到同一个簇，而...

传统聚类算法学习笔记整理

11-01

本文主要讨论了三种常见的传统聚类算法：K-Means、学习向量量化（LVQ）和高斯混合模型。 1. K-Means聚类： - 主要思想：K-Means是一种基于距离的聚类算法，通过迭代将数据点分配到最近的类簇中心，然后根据类簇内...

聚类算法学习笔记.docx

10-29

本篇学习笔记将深入探讨聚类算法的定义、基本要求以及常见的基于层次的聚类算法。 1. 聚类的定义：聚类的目标是通过分析数据的内在结构，找出数据之间的相似性，从而将相似的数据对象分到同一类，而不同类之间的...

k-means同心圆的聚类代码

11-08

对于同心圆以及近似同心圆的聚类方法，适合于聚类进阶学习对于同心圆以及近似同心圆的聚类方法，适合于聚类进阶学习对于同心圆以及近似同心圆的聚类方法，适合于聚类进阶学习

数据挖掘-K-Means算法

二十同学

12-02

5万+

微信搜索：“二十同学” 公众号，欢迎关注一条不一样的成长之路今天说聚类，但是必须要先理解聚类和分类的区别，很多业务人员在日常分析时候不是很严谨，混为一谈，其实二者有本质的区别。分类其实是从特定的数据中挖掘模式，作出判断的过程。比如Gmail邮箱里有垃圾邮件分类器，一开始的时候可能什么都不过滤，在日常使用过程中，我人工对于每一封邮件点选“垃圾”或“不是垃圾”，过一段时间，Gmail就体现出一定的智能，能够自动过滤掉一些垃圾邮件了。这是因为在点选的过程中，其实是给每一条邮件打了一个“标签”，这个标签只有

K-means聚类算法实战

weixin_41438466的博客

03-26

9591

一、K-means聚类算法 1 K-means算法的相关描述聚类是一种无监督学习，它将相似的对象归到同一簇中。聚类的方法几乎可以应用所有对象，簇内的对象越相似，聚类的效果就越好。K-means算法中的k表示的是聚类为k个簇，means代表取每一个聚类中数据值的均值作为该簇的中心，或者称为质心，即用每一个的类的质心对该簇进行描述。聚类和分类最大的不同在于，分类的目标是事先已知的，而聚类事先不知道...

k-modes聚类算法介绍

tyh70537的博客

10-04

3万+

为什么要用k-modes算法k-means算法是一种简单且实用的聚类算法，但是传统的k-means算法只适用于连续属性的数据集，而对于离散属性的数据集，计算簇的均值以及点之间的欧式距离就变得不合适了。k-modes作为k-means的一种扩展，适用于离散属性的数据集。k-modes算法介绍假设有N个样本，M个属性且全是离散的，簇的个数为k 步骤一：随机确定k个聚类中心C1,C2...CkC_1,C

k-means算法实例（聚类分析）matlab实现

algorithem的博客

11-22

1万+

例子如下：假设数据挖掘的任务是将如下的8个点（用（x，y）代表位置）聚类为3个簇。距离是欧氏距离。假设初始我们选择，和分别为每个簇的中心，用k-均值算法给出： a)在第一轮执行后的3个簇中心 b)最后的三个簇算法思想：算法：k-均值。用于划分的k-均值算法，其中每个簇的中心都用簇中所有对象的均值来表示。输入： k:簇的数目 D:包含n个对象的数据集输出：k个簇的集合。方法：（1）从D中任意选择k个对象作为初始簇中心；（2）repeat （3）根据簇中对象的均值，将每个对象分配到最相似

k-modes聚类算法

学习者的旅途

12-08

1万+

引言之前介绍的K-means和k-medoids算法都是针对数据为数值型的聚类算法，计算样本间的距离采用的是欧式距离，所以如果数据变量是类别型的采用这两种算法，就需要先进行one-hot编码或者dummy coding。针对类别型变量的聚类，可以采用k-modes聚类算法。 k-modes算法当数据变量为数值型时，可以采用k-modes算法进行聚类。因为该算法中计算的是样本间的汉明距离，如果变...

k-means算法例题应用

weixin_41145305的博客

04-04

2万+

k-means算法例题应用。假设有如下8个点：(3,1),(3,2),(4,1),(4,2),(1,3),(1,4),(2,3),(2,4)。使用K-means算法对其进行聚类。设初始聚类中心分别为(0,4)和(3,3)。写出详细的计算过程

Matlab中实现K-means聚类算法

qq_28416103的博客

10-27

2138

K-means聚类算法采用的是将N*P的矩阵X划分为K个类，使得类内对象之间的距离最大,而类之间的距离最小。使用方法： Idx=Kmeans(X,K) [Idx,C]=Kmeans(X,K) [Idx,C,sumD]=Kmeans(X,K) [Idx,C,sumD,D]=Kmeans(X,K) […]=Kmeans(…,’Param1’,Val1,’Param2’,Val2,…) 各输入输出参数介绍： X NP的数据矩阵 K 表示将X划分为几类，为整数 Idx N1的向量，存储的是每个点的聚类标号 C K

传统聚类算法学习笔记：K-Means原型聚类机制及基本原理

K-Means聚类算法在给定K值和K个初始类簇中心点的情况下，通过将每个点（即数据记录）分配到离其最近的类簇中心点所代表的类簇中，来实现聚类。当所有点分配完毕后，根据一个类簇内的所有点的平均值重新计算该类簇的...