算法总结.

根据65123.pdf阅读所知，我们了解到了主要是本篇论文是主要是为了解决城市规划问题，在此篇论文之中，我们了解到了本篇论文采用了层次分析法，TOPSIS算法，k-means算法，svm算法，等等本次分析也主要是解析这几种算法。

K-means算法是无监督学习领域最为经典的算法之一。接触聚类算法。K均值聚类是最基础常用的聚类算法。它的基本思想是，通过迭代寻找K个簇（Cluster）的一种划分方案，使得聚类结果对应的损失函数最小。其中，损失函数可以定义为各个样本距离所属簇中心点的误差平方和。K-means算法最核心的部分就是先固定中心点，调整每个样本所属的类别来减少；再固定每个样本的类别，调整中心点继续减小。两个过程交替循环，单调递减直到最（极）小值，中心点和样本划分的类别同时收敛。KMenas的优点：高效可伸缩，计算复杂度 为接近于线性（N是数据量，K是聚类总数，t是迭代轮数）。收敛速度快，原理相对通俗易懂，可解释性强。KMeans也有一些明显的缺点：受初始值和异常点影响，聚类结果可能不是全局最优而是局部最优。K是超参数，一般需要按经验选择样本点只能划分到单一的类中。

k-Means算法的流程：初始化常数K，随机选取初始点为质心，重复计算一下过程，直到质心不再改变。计算样本与每个质心之间的相似度，将样本归类到最相似的类中。重新计算质心输出最终的质心以及每个类。

聚类是一种无监督的学习方法。聚类区别于分类，即事先不知道要寻找的内容，没有预先设定好的目标变量。

聚类将数据点归到多个簇中，其中相似的数据点归为同一簇，而不相似的点归为不同的簇。相似度的计算方法有很多，具体的应用选择合适的相似度计算方法 3. K-means聚类算法，是一种广泛使用的聚类算法，其中k是需要指定的参数，即需要创建的簇的数目，K-means算法中的k个簇的质心可以通过随机的方式获得，但是这些点需要位于数据范围内。在算法中，计算每个点到质心得距离，选择距离最小的质心对应的簇作为该数据点的划分，然后再基于该分配过程后更新簇的质心。重复上述过程，直至各个簇的质心不再变化为止。

K-means算法虽然有效，但是容易受到初始簇质心的情况而影响，有可能陷入局部最优解。为了解决这个问题，可以使用另外一种称为二分K-means的聚类算法。二分K-means算法首先将所有数据点分为一个簇；然后使用K-means（k=2）对其