本文详细阐述了K-means聚类算法的步骤，包括簇分配与中心更新，以及如何通过迭代优化和肘部法则选择最优K值。介绍了如何通过100次执行并计算畸变函数来确定最佳聚类效果，并提及了肘部法则和不同K值对代价函数的影响。
聚类算法的步骤（k-means）
{
c
(
i
)
来
存
储
与
第
i
个
实
例
(
x
i
)
数
据
最
近
的
聚
类
中
心
的
索
引
μ
k
聚类中心
μ
c
(
i
)
代
表
与
(
x
i
)
最
近
的
聚
类
中
心
点
。
_{\begin{cases} c^{\left( i \right)}来存储与\text{第}i个实例\left( x_i \right) 数据最近的聚类中心的索引\\ \mu _k\,\,\text{聚类中心}\\ \mu _{c^{\left( i \right)}}代表与\left( x_i \right) 最近的聚类中心点。\\ \end{cases}}
{c(i)来存储与第i个实例(xi)数据最近的聚类中心的索引μk聚类中心μc(i)代表与(xi)最近的聚类中心点。
目标是最小化代价函数：
聚类分两步：
‘簇分配’：把每个点分配到离他最近的中心
实际上是在最小化代价函数，保持最近
‘更新中心’：更新每一步的中心
迭代多次确定样本
K小于等于总样本数，
初始状态：随机选取
执行100次kmeans，计算每次的畸变函数，选取代价最小的
肘部法则
改变K，计算每次的代价函数，
扫一扫
2481
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
