聚类轮廓系数java_轮廓系数的应用：kmeans聚类理论篇K的选择（轮廓系数）

前言javascript

kmeans是最简单的聚类算法之一，可是运用十分普遍。最近在工做中也常常遇到这个算法。kmeans通常在数据分析前期使用，选取适当的k，将数据分类后，而后分类研究不一样聚类下数据的特色。html

本文记录学习kmeans算法相关的内容，包括算法原理，收敛性，效果评估聚，最后带上R语言的例子，做为备忘。java

算法原理算法

kmeans的计算方法以下：shell

1 随机选取k个中心点app

2 遍历全部数据，将每一个数据划分到最近的中心点中机器学习

3 计算每一个聚类的平均值，并做为新的中心点ide

4 重复2-3，直到这k个中线点再也不变化(收敛了)，或执行了足够多的迭代函数

时间复杂度：O(I*n*k*m)post

空间复杂度：O(n*m)

其中m为每一个元素字段个数，n为数据量，I为跌打个数。通常I,k,m都可认为是常量，因此时间和空间复杂度能够简化为O(n)，即线性的。

算法收敛

从kmeans的算法能够发现，SSE实际上是一个严格的坐标降低(Coordinate Decendet)过程。设目标函数SSE以下：

SSE(,