K-means算法是一种无监督学习的聚类方法，通过对数据对象的相似度进行划分，形成类簇。其过程包括随机初始化k个类中心，然后迭代地将数据点分配到最近的类中心并更新类中心，直至收敛或达到最大迭代次数。优点包括快速、高效且适合大规模数据。缺点则包括对异常值敏感，需预设K值，依赖初始质心选择，且仅适用于数值型数据和团状分布。为解决这些问题，可以尝试多次运行取最优结果，或使用其他聚类方法如谱聚类。
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，即待处理数据对象没有任何先验知识，而分类过程为有监督过程，即存在有先验知识的训练数据集。k-means是一种无监督学习，它会将相似的对象归到同一类中。
k-means聚类的优缺点
优点：（1）算法快速、简单;
（2）对大数据集有较高的效率并且是可伸缩性的;
（3）时间复杂度近于线性，而且适合挖掘大规模数据集。K-Means聚类算法的时间复杂度是O(n×k×t) ,其中n代表数据集中对象的数量，t代表着算法迭代的次数，k代表着簇的数目
缺点：（1）对异常值（噪声）敏感，可以通过一些调整（如中心值不直接取均值，而是找均值最近的样本点代替）
（2）需要提前确定K值（提前确定多少类）
（3）分类结果依赖于分类中心的初始化
最低0.47元/天 解锁文章
扫一扫
679
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
