K-means:如何选择K(cluster的数目)

最新推荐文章于 2024-05-04 08:00:00 发布
最新推荐文章于 2024-05-04 08:00:00 发布
阅读量668 收藏
点赞数
文章标签： 数据结构与算法 python 人工智能
原文链接：http://www.cnblogs.com/yan2015/p/5239970.html
版权

目前决定cluster数目的常用方法是手动地决定cluster的数目

哪个K是正确的?

   

上图中的数据集，我们可以说它有4个clusters，也可以说它有2个clusters,但哪个是正确答案呢？其实这儿没有正确答案，数据集要划分的cluster的数目本来就是模拟两可的，可以是2个，3个，4个。这也是无监督学习的一部分，因为我们的数据集没有标签，所以没有清晰的答案。所以做一个能自动求出K值的算法是非常困难的

通过肘部法则(elbow method)来选择K值

通过画K与cost function的关系曲线图，如左图所示，肘部的值(cost function开始时下降很快，在肘部开始平缓了)做为K值，K=3。

并不是所有的问题都可以通过画肘部图来解决，有的问题如右边的那个图，肘点位置不明显（肘点可以是3，4，5），这时就无法确定K值了。

故肘部图是可以尝试的一种方法，但是并不是对所有的问题都能画出如左边那么好的图来确定K值。

另一种选择K值的方法—后续目的(市场等)

通过后续的一些目的，如市场方面的一些计算评估等。例如，T-shirt的例子，是将其设计为3种尺码还是5种尺码呢？要根据后续我们的一些目的来确定，是想T-shirt适应更多的顾客(5种)还是希望T-shirt更便宜(3种)，来确定K的值。

总结

  1. 选择K值现在大多数还是通过你的理解与洞察手动来选择的
  2. 可以尝试通过elbow method来选择K值，但是它并不通用，因为很多情况下，肘部点并不明确
  3. 大多数情况下，我们根据后续的目的来选择K值，看后续要做些什么，来看我们的K值应该怎么选

 

转载于:https://www.cnblogs.com/yan2015/p/5239970.html

weixin_30485379
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
K-means cluster
xixihaha的博客
09-28 2368
K - means cluster 1.K均值聚类（迭代算法）： C_center：初始化K个聚类中心计算样本集合到C_center的距离（本例使用欧几里德距离）按照最近原则进行聚类，如果聚类中心不发生改变，结束如果发生改变，得到新的聚类中心->C_center，重复直到收敛 2.使用条件：先验知识知道样本集合能够K分类（才能得到较好的聚类效果），属于无监督学习； 3.优缺点：
K-Means Clustering
apollo_miracle的博客
02-12 3464
1、概述K-means算法是集简单和经典于一身的基于距离的聚类算法采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为类簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。2、核心思想通过迭代寻找k个类簇的一种划分方案，使得用这k个类簇的均值来代表相应各类样本时所得的总体误差最小。k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 ...
K均值聚类 K-means Clustering
JasonH2021的博客
06-03 8426
本文主要简单介绍了k均值聚类的基本概念，优缺点，应用场景，建模时的注意事项，评价指标，实现方法和示例，以及模型参数等。
K-Means clustering 简介
VioletHan7的博客
10-26 4970
在数据挖掘中，K-Means算法是一种cluster analysis的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法。问题K-Means算法主要解决的问题如下图所示。我们可以看到，在图的左边有一些点，我们用肉眼可以看出来有四个点群，但是我们怎么通过计算机程序找出这几个点群来呢？于是就出现了我们的K-Means算法（Wikipedia链接）K-Means要解决的问题算法概
K-Means Clustering算法
一只不会写程序的程序猿
04-01 8123
K-Means Clustering算法 k-means聚类接受的参数输入和分级聚类算法一样，接受相同的数据行作为输入，此外它还接受一个调用者期望返回的聚类数（k）作为参数。 k-means聚类算法不同于分级聚类算法，它会预先告诉算法希望生成的聚类数量，然后算法会根据数据的结构状况来确定聚类的大小。聚类过程 图1 K-Means聚类算法示意图 在第一步中，随机生成两个聚类中心，分别是两个小
python实点云分割k-means(sklearn)详解
09-16
1. **初始化质心**：选择k个初始质心（或聚类中心）。 2. **分配数据点**：将每个数据点分配给最近的质心所在的聚类。 3. **更新质心**：重新计算每个聚类的质心，作为该聚类内所有数据点的平均值。 4. **重复步骤2...
K-means分类器实验报告代码全
10-19
1. 初始化：随机选择K个样本作为初始聚类中心。 2. 分配样本：计算每个样本到这K个中心的距离，将样本分配到最近的中心所在的簇。 3. 更新中心：重新计算每个簇内所有样本的均值，用这个均值作为新的聚类中心。 4. ...
K-means聚类算法JAVA程序实现
04-16
在实际应用中，K-means算法的性能受到多种因素影响，如数据分布、聚类数量选择、初始中心的选择等。为了优化，可以尝试不同的初始化方法（如K-means++）、调整K值、或者对数据进行预处理，如缩放或标准化。 总的来...
k-means-master.zip_K means matlab_K._happenedzix_k-means_k-means
07-15
1. 初始化：K-means算法首先需要确定K个初始聚类中心，通常选择随机选取的K个样本点。 2. 分配阶段：对于每个数据点，根据其与所有聚类中心的距离，将其分配到最近的聚类。 3. 更新阶段：重新计算每个聚类的中心，...
distance_k-means_distance_distancepython_storyyut_
10-01
在数据分析和机器学习领域，K-Means是一种广泛使用的无监督聚类算法，它通过将数据点分配到最近的聚类中心来实现分组。在这个过程中，“distance”扮演着核心角色，因为它决定了数据点与聚类中心之间的亲和度。在...
基于python中的sklearn.cluster库做k-means聚类
09-11
本程序是在python中完成，基于sklearn.cluster中的k-means聚类包来实现数据的聚类，对于里面使用的数据格式如下：（注意更改程序中的相关参数） 138 0 124 1 127 2 129 3 119 4 127 5 124 6 120 7 123 8 147 9 188 10 212 11 229 12 240 13 240 14 241 15 240 16 242 17 174 18 130 19 132 20 119 21 48 22 37 23 49 0 42 1 34 2 26 3 20 4 21 5 23 6 13 7 19 8 18 9 36 10 25 11 20 12 19 13 19 14 5 15 29 16 22 17 13 18 46 19 15 20 8 21 33 22 41 23 69 0 56 1 49 2 40 3 52 4 62 5 54 6 32 7 38 8 44 9 55 10 70 11 74 12 105 13 107 14 56 15 55 16 65 17 100 18 195 19 136 20 87 21 64 22 77 23 61 0 53 1 47 2 33 3 34 4 28 5 41 6 40 7 38 8 33 9 26 10 31 11 31 12 13 13 17 14 17 15 25 16 17 17 17 18 14 19 16 20 17 21 29 22 44 23 37 0 32 1 34 2 26 3 23 4 25 5 25 6 27 7 30 8 25 9 17 10 12 11 12 12 12 13 7 14 6 15 6 16 12 17 12 18 39 19 34 20 32 21 34 22 35 23 33 0 57 1 81 2 77 3 68 4 61 5 60 6 56 7 67 8 102 9 89 10 62 11 57 12 57 13 64 14 62 15 69 16 81 17 77 18 64 19 62 20 79 21 75 22 57 23 73 0 88 1 75 2 70 3 77 4 73 5 72 6 76 7 76 8 74 9 98 10 90 11 90 12 85 13 79 14 79 15 88 16 88 17 81 18 84 19 89 20 79 21 68 22 55 23 63 0 62 1 58 2 58 3 56 4 60 5 56 6 56 7 58 8 56 9 65 10 61 11 60 12 60 13 61 14 65 15 55 16 56 17 61 18 64 19 69 20 83 21 87 22 84 23 41 0 35 1 38 2 45 3 44 4 49 5 55 6 47 7 47 8 29 9 14 10 12 11 4 12 10 13 9 14 7 15 7 16 11 17 12 18 14 19 22 20 29 21 23 22 33 23 34 0 38 1 38 2 37 3 37 4 34 5 24 6 47 7 70 8 41 9 6 10 23 11 4 12 15 13 3 14 28 15 17 16 31 17 39 18 42 19 54 20 47 21 68 22
【ML】K均值聚类算法 (K-means Clustering)
北境の守望者
08-23 1446
Ref K-means算法及C语言实现：总结的不错 OpenCV中的K-means聚类: Python 版本，带 plt 直方图过程
聚类算法中的K均值聚类算法（K-Means clustering）
枪枪枪的博客
03-09 4277
=======================================================================               Machine Learning notebook Python机器学习基础教程（introduction to Machine Learning with Python） https://scikit-learn.org/st...
机器学习——K-Means聚类
T940842933的博客
08-01 6818
K-Means 算法是一种无监督的聚类算法，其核心思想是：对于给定的样本集，按照样本点之间的距离大小，将样本集划分为K个簇，并让簇内的点尽量紧凑，簇间的点尽量分开算法流程图如下：K-Means算法流程如图，以为例：我们需要将图(a) 中的样本点划分为两类，则K-means聚类过程如下：第 1 步：从M个数据对象中任意选择2个对象作为初始聚类中心，如图(b) 所示。
Python 数据处理数据挖掘（七）：K-Means聚类算法
qq_46380784的博客
07-23 3552
K-Means聚类算法，K-Means是非监督学习的聚类算法，将一组数据分为K类（或者叫簇/cluster），每个簇有一个质心（centroid），同类的数据是围绕着质心被分类的。数据被分为了几类就有几个质心。 算法步骤： 1、先从原始数据集中随机选出K个数据，作为K个质心。 2、将剩余的数据分配到与之最相似的的质心的那个簇里。 3、第一次分类完成后，计算每个簇内样本的均值，并根据这个均值生成新的质心 4、重复2,3步，直至质心的变化距离小于某个值（主观设定），如果质心始终没法稳定下来 肘部法则原理
K-均值聚类（K-means clustering）
weixin_44341508的博客
01-03 648
K-均值聚类（K-means clustering）是一种常用的无监督学习算法，用于将样本数据划分成K个不同的类别。K-均值聚类试图找到K个簇，使得簇内的样本点相似度最高，而簇间的样本点相似度最低。总结起来，K-均值聚类算法是一种简单而有效的聚类算法，适用于大规模数据集，但对初始质心的选择和簇的数量的确定十分重要，且对异常点敏感。在应用时需要根据具体问题进行调参和处理。
K-Means Clustering 简介
A_Z666666的博客
06-21 712
K-Means Clustering(k均值聚类算法) 属于无监督学习算法, 它可以发现 k 个不同的簇, 每个簇的质心采用簇中所含值的均值计算而成. 优点 容易实现 缺点 可能收敛到局部最小值, 在大规模数据集上收敛较慢 ...
K-Means集群算法
LW_ICE
05-01 3317
无论什么数据集，理论上都可以形成一定数量的集群。 例如，党我们拿到学生成绩表时，我们可以把成绩分数划分为优（90分左右）、良（80分左右）、中（70分左右）、差（60分及以下）。 再例如对于工人工资表，我们也可以把工人按照工资划分成一定数量的集群，每个集群一定是围绕某个工资水平的。 甚至我们可以抓取所有微信公众文章，将文章标题映射为向量表示（假设没有那些标题党文章的话），我们就可
算法——K-均值聚类K-Means Clustering
最新发布
weixin_43156294的博客
05-04 2011
K-均值聚类 (K-Means Clustering)是一种经典的无监督学习算法，用于将数据集分成K个不同的簇。其核心思想是将数据点根据距离的远近分配到不同的簇中，使得簇内的点尽可能相似，簇间的点尽可能不同。
k-means聚类python
08-23
K-means聚类是一种广泛使用的聚类算法，通过将数据点划分为k个簇，其中k需要事先指定。K-means算法的实现可以使用Python编程语言。 在Python中，可以使用scikit-learn库来实现K-means聚类算法。具体实现步骤如下： 1. 导入必要的库和模块： ```python from sklearn.cluster import KMeans ``` 2. 创建KMeans对象，并指定簇的数目k： ```python kmeans = KMeans(n_clusters=k) ``` 3. 使用fit方法对数据进行聚类： ```python kmeans.fit(data) ``` 4. 获取每个数据点所属的簇标签： ```python labels = kmeans.labels_ ``` 5. 获取聚类后的簇质心坐标： ```python centroids = kmeans.cluster_centers_ ``` 通过以上步骤，我们可以使用Python实现K-means聚类算法，并得到每个数据点所属的簇标签以及簇质心的坐标。 注意，在实现K-means聚类算法时，需要考虑如何选择初始簇质心的问题，以避免陷入局部最优解。另外，可以使用二分K-means算法来改进K-means算法的聚类效果，该算法首先将所有数据点分为一个簇，然后使用K-means对其进行划分，重复该过程直至簇的个数达到指定的数目为止。实验表明，二分K-means算法的聚类效果要好于普通的K-means聚类算法。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [K-means聚类算法原理及python实现](https://blog.csdn.net/qq_43741312/article/details/97128745)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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