ISODATA聚类算法

ISODATA聚类算法

一、 K均值算法

ISODATA算法是在k-均值算法的基础上，增加对聚类结果的“合并”和“分裂”两个操作

1、K均值算法概述

k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法

2、K均值算法步骤

步骤一：

预将数据分为K组，则随机选取K个对象作为初始的聚类中心。

步骤二：

计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。
可以根据实际需要选择一种距离作为相似性度量，其中最常用的是欧氏距离：X中的样本用d个描述属性A1,A2…Ad来表示，并且d个描述属性都是连续型属性。数据样本xi=(xi1,xi2,…xid), xj=(xj1,xj2,…xjd)其中，xi1,xi2,…xid和xj1,xj2,…xjd分别是样本xi和xj对应d个描述属性A1,A2,…Ad的具体取值。样本xi和xj之间的相似度通常用它们之间的距离d(xi,xj)来表示，距离越小，样本xi和xj越相似，差异度越小；距离越大，样本xi和xj越不相似，差异度越大。

步骤三：

每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。
各个聚类子集的均值代表点（也称聚类中心）分别为m1，m2,…,mk。

步骤四：

上述过程将不断重复直到满