参考：添加链接描述
K-means模型：
常用的基于欧氏距离的聚类算法，认为两个目标的距离越近，相似度越大。
K-means算法步骤为：
1、选择初始化的k个样本作为初始聚类中心a=a1,a2,……ak；
2、对数据集中的每个样本x计算它到k个聚类中心的距离并且将其分到距离最小的聚类中心所对应的类中；
3、针对每个类别a。重新计算聚类中心 a j = 1 ∣ C i ∣ ∑ x ∈ c i x a_j=\frac{1}{\lvert C_{i} \rvert}\sum_{x\in{c_{i}}} x a
K-means模型
于 2022-05-16 16:43:08 首次发布
K-means是一种常见的基于欧氏距离的聚类算法，适用于大数据集且簇近似高斯分布的情况。算法流程包括初始化聚类中心、计算样本到中心的距离并重新分配类别、更新聚类中心等步骤。尽管存在K值设定、初始中心敏感、异常值影响等缺点，但可以通过数据预处理、合理选择K值等方式优化。在构建多模态知识图谱时，K-means用于图像聚类，减少高度相似图片。
最低0.47元/天 解锁文章
1589
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
