k-means++与k-means的区别在于中心点的选择
k-means是在数据集范围内随机选择中心点
k-means++的中心点选择方法为:
- 随机选取一个点作为第一个聚类中心。
- 计算所有样本与第一个聚类中心的距离。
- 选择出上一步中距离最大的点作为第二个聚类中心。
- 迭代:计算所有点到与之最近的聚类中心的距离,选取最大距离的点作为新的聚类中心。
- 终止条件:直到选出了这k个中心。
中心点选完后,k-means++和k-means的迭代方法一样
k-means++与k-means的区别在于中心点的选择
k-means是在数据集范围内随机选择中心点
k-means++的中心点选择方法为:
中心点选完后,k-means++和k-means的迭代方法一样