K-means模型

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。
摘要由CSDN通过智能技术生成

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

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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