kmeans中的k的含义_K-means聚类算法（第七章作业7.17）

一、K-means聚类算法基本知识

csdn

https://blog.csdn.net/llh_1178/article/details/81633396​blog.csdn.net https://blog.csdn.net/qq_32892383/article/details/80107795​blog.csdn.net https://blog.csdn.net/dashenghuahua/article/details/53160546​blog.csdn.net

二、个人学习心得

K-means聚类算法，刚学的时候差点跟k-nn搞混了，不过两者的k含义有很大的不同，K-means的k是作为类别个数来设置的，而knn中的k则是为了判断一个数据点属于哪个类别在其周围需要找k个点的意思，此外两者的差别还在于knn为有监督学习而kmeans为无监督学习。两者的相似之处在于都是基于欧氏距离来判断数据点所属的类别。

k-means，k指类别个数，means平均的意思，类别和平均，这两个词基本上阐述了k-means聚类算法的中心思想，用一种取平均值的方法来把数据点分为k类，取平均值的方法指的是通过计算同一类数据点的中心，不断地寻找i数据点中心，直到所有的数据点都很好的被分到相应的类别中，这里我用很好这个词来形容，实际上在真正处理的过程中是有一定的判别准则的，太复杂的不谈，嘻嘻，就写到这里吧。

1. K-means聚类算法是什么？

K-Means算法是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据划分为预定的类数K，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。

2. k-means算法基本步骤

　　(1)从数据中选择k个对象作为初始聚类中心;

　　(2)计算每个聚类对象到聚类中心的距离来划分；

　　(3)再次计算每个聚类中心

　　(4)计算标准测度函数，直到达到最大迭代次数，则停止，否则，继续操作。