k means聚类算法_聚类算法之——K-Means算法

最新推荐文章于 2024-05-10 22:41:31 发布
最新推荐文章于 2024-05-10 22:41:31 发布
阅读量1.1k 收藏 3
点赞数
文章标签： k means聚类算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39942397/article/details/113454344
版权
本文详细介绍了K-Means聚类算法，包括预备知识点如距离计算（欧式距离、曼哈顿距离、余弦距离）、算法步骤、聚类效果评价指标SSE以及如何在Python中使用sklearn库实现。还讨论了算法的优缺点、如何避免局部最优、选择K数量的策略以及适用场景。
摘要由CSDN通过智能技术生成

聚类算法属于无监督学习，它将相似的对象归到同一个簇中。K-Means算法是聚类算法中最常用到算法；

1. 预备知识点

距离计算

闵可夫斯基距离

点

equation?tex=x%3D%28x_1%2Cx_2%2C%5Cdots%2Cx_n%29%E5%92%8Cy%3D%28y_1%2Cy_2%2C%5Cdots%2Cy_n%29 之间的闵可夫斯基距离为
equation?tex=d%28x%2Cy%29%3D%28%5Csum_%7Bi%3D1%7D%5E%7Bn%7D%7B%7Cx_i-y_i%7C%5Ep%7D%29%5E%5Cfrac%7B1%7D%7Bp%7D+%5Cquad+%E5%85%B6%E4%B8%ADp%5Cgeq1

欧式距离

点

equation?tex=x%3D%28x_1%2Cx_2%2C%5Cdots%2Cx_n%29%E5%92%8Cy%3D%28y_1%2Cy_2%2C%5Cdots%2Cy_n%29 之间的欧氏距离为：
equation?tex=%5Cbegin%7Baligned%7Dd%28x%2Cy%29%26%3D%5Csqrt%7B%28x_1-y_1%29%5E2%2B%28x_2-y_2%29%5E2%2B%5Cdots%2B%28x_n-y_n%29%5E2%7D%5C%5C%26%3D%5Csqrt%7B%5Csum_%7Bi%3D1%7D%5E%7Bn%7D%7B%28x_i-y_i%29%5E2%7D%7D+%5Cend%7Baligned%7D+

曼哈顿距离（Manhattan Distance ）

b9aab10b035b5fcf1e5987347b5fb4ca.png

图中红线代表曼哈顿距离，绿线代表欧式距离，也就是直线距离，而蓝色和黄色代表等价的曼哈顿距离。

曼哈顿距离：两点在南北方向上的距离加上在东西方向上的距离。

点

equation?tex=x%3D%28x_1%2Cx_2%2C%5Cdots%2Cx_n%29%E5%92%8Cy%3D%28y_1%2Cy_2%2C%5Cdots%2Cy_n%29 之间的曼哈顿
最低0.47元/天 解锁文章
weixin_39942397
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
无监督学习：基于质心的聚类算法，即K-Means聚类，聚集聚类和基于密度的空间聚类
02-04
无监督学习 基于质心的聚类算法即K-Means聚类，聚集聚类和基于密度的空间聚类实现。 要求 Python 3.6及更高版本 科学工具学习 麻木 科学的 matplotlib 信息 通过智能融合完成的K-Means聚类可以加快处理速度，并多次运行以获得最佳结果。 有很多参数可供使用，也有可视化部分。 聚集聚类是分层聚类（自下而上，分组）的一种，它比分裂聚类更受欢迎。 使用距离矩阵可以导出数据的树状图，可以更改和测试用于计算距离矩阵的标准（单个，平均，完整和质心链接）。 具有噪声的基于密度的空间聚类将聚类定义为密度连接点的最大集合。 功能性程序，用于使用该程序测试不同的参数和数据集以及执行该
【机器学习】聚类算法中的 K-means 算法及其原理
m0_51816252的博客
08-02 6164
聚类（ clustering ）是一种典型的“无监督学习”，是把物理对象或抽象对象的集合分组为由彼此类似的对象组成的多个类的分析过程。K-means 算法是就是比较经典的聚类算法，使用较多，本文主要讲解了什么是K-means 算法，及其原理。......
KMeans，KNN，Mean-shift算法的学习
最新发布
weixin_57128596的博客
05-10 970
*1.概念：**给定一共训练数据集，对输入的新的数据实例A，在数据集上寻找和A实例最邻近的K各实例（K个邻居），然后这K个实例的多数属于某个类，那么这个A实例就属于该这个类中；1.计算均值偏移：M(x)=1/K*(当前中心点和其余数据的距离差之和) ——>2.中心点的更新：新的中心点=旧的中心点+M(x) 偏移量。因为新实例的数据的判别，和它的K个邻居关系很大，所以我们需要知道K个邻居的正确标签，因此KNN算法是一个监督式学习的算法；2.中心点的更新：新的中心点=旧的中心点+M(x)偏移量。
K均值（K-means）聚类算法
ch18328071580的博客
08-08 5937
本文详细介绍了K-means算法原理，并给予了公式推导，然后给出了优缺点。
【海量数据挖掘/数据分析】之 K-Means 算法（K-Means算法、K-Means 中心值计算、K-Means 距离计算公式、K-Means 算法迭代步骤、K-Means算法实例）
仙魁XAN
07-07 2万+
① 给定条件 :给定数据集 X , 该数据集有 n 个样本;将其分成 K 个聚类;③ 聚类分组要求 :每个聚类分组中 , 所有的数据样本 , 与该分组的中心点的距离之和最小;将每个样本的与中心点距离计算出来 , 分组中的这些距离累加 , K 个分组的距离之和 也累加起来 , 总的距离最小;①设置中心点 :设置了 3 个初始中心点 , A1​(2,4) 对应聚类 1 中心点 , B1​(5,8) 对应聚类 2 中心点 , C1​(6,2) 对应聚类 3 中心点;②计算中心点距离。
K-Means聚类算法及其python实现（已附上代码至本博客）
weixin_46028606的博客
02-02 1万+
K-Means聚类算法及其实现（已附上代码至本博客）
kmeans_k-means聚类算法_节点分类_
10-03
《深入理解K-means聚类算法与节点分类》 在数据挖掘领域，K-means算法是一种广泛应用的无监督学习方法，主要用于对数据进行聚类，即将相似的数据点归类到同一组，形成所谓的“簇”或“类别”。该算法的核心在于通过...
K-means_sort_k-means聚类算法_
10-01
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。该算法的主要目标是将数据集划分为K个不同的簇，使得每个簇内的数据点尽可能相似，而不同簇之间的数据点尽可能不同。K-means算法的流程...
Desktop_k-means聚类算法_K._
10-04
总之，k-means聚类算法是一种简单且高效的划分方法，尽管存在一些局限性，但在许多实际问题中仍被广泛采用，并且有多种改进策略来适应不同的需求。通过深入理解和应用k-means，我们可以对复杂的数据集进行有效的分析...
KMeansCluster-Robert_k-means聚类算法_
09-30
KMeansCluster-Robert 是一个基于K-means聚类算法的图像分割项目，它主要用于将图像中的像素点根据颜色或特征进行分组，以便更好地理解和分析图像内容。在这个项目中，K-means算法被用于自动识别图像中的不同区域，...
第十五课.K均值算法
白景屹的博客
02-03 3845
目录K均值算法原理K均值算法的改进：K-means++numpy实现K-means K均值算法原理 K均值（K-means）算法属于无监督学习中的聚类算法；聚类是根据样本特征向量之间的相似度或距离，将样本数据划分为若干个样本子集，每个子集定义为一个类；相似的样本聚集在相同的类，不相似的样本分散在不同的类。由上面的定义可知，聚类算法只使用了样本的特征向量xxx，并没有使用样本的标签yyy，故聚类算法属于无监督学习 样本距离 样本距离越小，样本的相似性越大。K均值聚类使用欧式距离的平方作为样本距离，计算公式如下
聚类—K-means算法
Hacker_ccc的博客
07-29 1965
介绍了聚类算法中的K均值算法、影响因子和计算特性，并提出了一些结合性的方法——K众数算法，K-means++算法，K-中心点算法，解决K-means算法的一些缺点，提高K-means算法的通用性
【机器学习】全面解析Kmeans聚类算法（Python）
fengdu78的博客
12-27 1万+
一、聚类简介Clustering (聚类)是常见的unsupervised learning (无监督学习)方法，简单地说就是把相似的数据样本分到一组（簇），聚类的过程，我们并不清楚某一类...
k-means算法详解
热门推荐
zhihua_oba的博客
06-28 3万+
k-means算法详解 主要内容 k-means算法简介 k-means算法详解 k-means算法优缺点分析 k-means算法改进算法k-means++ 1、k-means算法简介   k-means算法是一种聚类算法，所谓聚类，即根据相似性原则，将具有较高相似度的数据对象划分至同一类簇，将具有较高相异度的数据对象划分至不同类簇。聚类与分类最大的区别在于，聚类过程为无监督过程，...
KMeans算法
qq_42064159的博客
02-25 1544
KMeans算法 1.概述 K-means聚类算法也称k均值聚类算法，是集简单和经典于一身的基于距离的聚类算法。它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 K-means聚类算法是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种...
机器学习算法之K-means（K均值聚类）算法
tttaeyang的博客
10-08 7015
聚类 聚类，简单来说，就是将一个庞杂数据集中具有相似特征的数据自动归类到一起，称为一个簇，簇内的对象越相似，聚类的效果越好。它是一种无监督的学习(Unsupervised Learning)方法,不需要预先标注好的训练集。聚类与分类最大的区别就是分类的目标事先已知，例如猫狗识别，你在分类之前已经预先知道要将它分为猫、狗两个种类；而在你聚类之前，你对你的目标是未知的，同样以动物为例，对于一个动物集来...
K-Means聚类算法详解
古韦的专栏
07-31 2万+
KMeans算法的基本思想是初始随机给定K个簇中心，按照最邻近原则把待分类样本点分到各个簇。然后按平均法重新计算各个簇的质心，从而确定新的簇心。一直迭代，直到簇心的移动距离小于某个给定的值。   K-Means聚类算法主要分为三个步骤： (1)第一步是为待聚类的点寻找聚类中心 (2)第二步是计算每个点到聚类中心的距离，将每个点聚类到离该点最近的聚类中去 (3)第三步是计算每个聚类中所
聚类算法(k_means)
m0_38018799的博客
07-04 2307
1 聚类分析 聚类： 通过一定的算法将原始数据划分成多个数据簇 没有预先定义好的类别 同一簇内部数据样本之间有很大的相似性，不同簇内部的数据相似性很小 相似度与距离度量： 定义距离来度量表示相似度：欧式距离，曼哈顿距离（Dij=∣xi−xj∣+∣yi−yj∣D_{ij}=|x_i-x_j|+|y_i-y_j|Dij​=∣xi​−xj​∣+∣yi​−yj​∣），闵可夫斯基距离（n次欧式距离），切...
k means聚类算法_K-Means 聚类算法实现鸢尾花数据的聚类
05-25
K-Means 聚类算法是一种基于距离的聚类算法，它将数据集分成 K 个簇，每个簇的中心点就是该簇内所有点的质心。K-Means 聚类算法的步骤如下： 1. 随机选择 K 个点作为簇的中心点。 2. 计算每个样本点到 K 个中心点的...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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