K-Means分群技术

K-Means分群技术，能够将不同的数据进行很好的分类，并且它能够很快的收敛，从而使我们能够迅速的得到结果。
K-Means演算法：
（1）最初的设定依照分类的个数k,以random随机产生k个圆心坐标{c1(m),c2(m),c3(m)...ck(m)}
（2）计算所有培训数据与圆心坐标的距离，并进行第一次分群。计算距离的时候使采用欧几里得方法，进行第一次分群是根据距离来判断，选择与每个圆心坐标距离最小的，例如：第一个培训数据计算结果是与圆心3的距离最短，那么低一个培训数据属于群3，其它依次类推。
（3）重新计算圆心坐标，计算的方法举个例子，比如：计算的结果属于群3的，总共有3笔资料，这三个资料分布用a1,a2,a3代表，那么新圆心的横坐标就是a1,a2,a3三个资料的横坐标的和除以3（总共3笔资料）,纵坐标是a1,a2,a3三个资料的纵坐标的和除以3(总共3笔资料)，从而得到新的圆心的坐标。
（4）测试是否收敛。
训练数据如下：Pattern[1]=(0,0) Pattern[2]=(1,0) Pattern[3]=(0,1)
Pattern[4]=(2,1) Pattern[5]=(1,2) Pattern[6]=(2,2)
Pattern[7]=(2,0) Pattern[8]=(0,2) Pattern[9]=(7,6)
Pattern[10]=(7,7) Pattern[11]=(7,8) Pattern[12]=(8,6)
Pattern[13]=(8,7) Pattern[14]=(8,8) Pattern[15]=(8,9)
Pattern[16]=(9,7) Pattern[17]=(9,8) Pattern[18]=(9,9)

Step 1.随机产出三个圆心坐标：ClusterCenter[1]=(0,0) ClusterCenter[2]=(1,0) ClusterCenter[3]=(2,0)
Step 2.计算各训练样本与分类圆心座标的距离

[table]


|循链范例 |Cluster[1]| Cluster[2] |Cluster[3]|指定聚类
|Pattern[1]| 0.0| 1.0| 2.0| 1
|Pattern[2]| 1.0| 0.0| 1.0| 2
|Pattern[3]| 1.0| 1.4| 2.2| 1
| Pattern[4]| 2.2| 1.4| 1.0| 3
| Pattern[5]| 2.2| 2.0| 2.2| 2
| Pattern[6]| 2.8| 2.2| 2.0| 3
| Pattern[7]| 2.0| 1.0| 0.0| 3
| Pattern[8]| 2.0| 2.2| 2.8| 1
| Pattern[9]| 9.2| 8.5| 7.8| 3
| Pattern[10]| 9.9| 9.2| 8.6| 3
| Pattern[11]| 10.6| 10.0| 9.4| 3
| Pattern[12]| 10.0| 9.2| 8.5| 3
| Pattern[13]| 10.6| 9.9| 9.2| 3
| Pattern[14]| 11.3| 10.6| 10.0| 3
| Pattern[15]| 12.0| 10.4| 10.8| 2
| Pattern[16]| 11.4| 10.6| 9.9| 3
| Pattern[17]| 12.0| 11.3| 10.6| 3
| Pattern[18]| 12.7| 12.0| 11.4| 3
[/table]
重新计算聚类圆心坐标
ClusterCenter[1]=(0.0,1.0);
ClusterCenter[2]=(3.33,3.67);
ClusterCenter[3]=(6.5,5.75);
再次计算各训练样本与分类圆心座标的距离
[table]


|循链范例 |Cluster[1]| Cluster[2] |Cluster[3]|指定聚类
|Pattern[1]| 1.0| 5.0| 8.7| 1
|Pattern[2]| 1.4| 4.3| 8.0| 1
|Pattern[3]| 0.0| 4.3| 8.1| 1
| Pattern[4]| 2.0| 3.0| 6.5| 1
| Pattern[5]| 1.4| 2.9| 6.7| 1
| Pattern[6]| 2.2| 2.1| 5.9| 2
| Pattern[7]| 2.2| 3.9| 7.3| 1
| Pattern[8]| 1.0| 3.7| 7.5| 1
| Pattern[9]| 8.6| 4.3| 0.6| 3
| Pattern[10]| 9.2| 5.0| 1.3| 3
| Pattern[11]| 9.9| 5.7| 2.3| 3
| Pattern[12]| 9.4| 5.2| 1.5| 3
| Pattern[13]| 10.0| 5.7| 2.0| 3
| Pattern[14]| 10.6| 6.4| 2.7| 3
| Pattern[15]| 11.3| 7.1| 3.6| 3
| Pattern[16]| 10.8| 6.6| 2.8| 3
| Pattern[17]| 11.4| 7.1| 3.4| 3
| Pattern[18]| 12.0| 7.8| 4.1| 3
[/table]
重新计算聚类圆心坐标
ClusterCenter[1]=(0.86,0.86);
ClusterCenter[2]=(2.0,2.0);
ClusterCenter[3]=(8.0,7.5);
再次计算各训练样本与分类圆心座标的距离
[table]

|循链范例 |Cluster[1]| Cluster[2]| Cluster[3] |指定聚类
|Pattern[1] |1.2 |2.8 |11.0 |1
|Pattern[2] |0.9 |2.2 |10.3 |1
|Pattern[3] |0.9 |2.2 |10.3 |1
|Pattern[4] |1.1 |1.0 |8.8 |2
|Pattern[5] |1.1 |1.0 |8.9 |2
|Pattern[6] |1.6 |0.0 |8.1 |2
|Pattern[7] |1.4 |2.0 |9.6 |1
|Pattern[8] |1.4 |2.0 |9.7 |1
|Pattern[9] |8.0 |6.4 |1.8 |3
|Pattern[10] |8.7 |7.1 |1.1 |3
|Pattern[11] |9.4 |7.8 |1.1 |3
|Pattern[12] |8.8 |7.2 |1.5 |3
|Pattern[13] |9.4 |7.8 |0.5 |3
|Pattern[14] |10.1 |8.5 |0.5 |3
|Pattern[15] |10.8 |9.2 |1.5 |3
|Pattern[16] |10.2 |8.6 |1.1 |3
|Pattern[17] |10.8 |9.2 |1.1 |3
|Pattern[18] |11.5 |9.9 |1.8 |3

[/table]
重新计算聚类圆心坐标
ClusterCenter[1]=(0.6,0.6);
ClusterCenter[2]=(1.67,1.67);
ClusterCenter[3]=(8.0,7.5);
[table]
|循链范例 |Cluster[1]| Cluster[2] |Cluster[3] | 指定聚类
|Pattern[1] |0.8 |2.4 |11.0 |1
|Pattern[2] |0.7 |1.8 |10.3 |1
|Pattern[3] |0.7 |1.8 |10.3 |1
|Pattern[4] |1.5 |0.7 |8.8 |2
|Pattern[5] |1.5 |0.7 |8.9 |2
|Pattern[6] |2.0 |0.5 |8.1 |2
|Pattern[7] |1.5 |1.7 |9.6 |1
|Pattern[8] |1.5 |1.7 |9.7 |1
|Pattern[9] |8.4 |6.9 |1.8 |3
|Pattern[10] |9.1 |7.5 |1.1 |3
|Pattern[11] |9.8 |8.3 |1.1 |3
|Pattern[12] |9.2 |7.7 |1.5 |3
|Pattern[13] |9.8 |8.3 |0.5 |3
|Pattern[14] |10.5 |9.0 |0.5 |3
|Pattern[15] |11.2 |9.7 |1.5 |3
|Pattern[16] |10.6 |9.1 |1.1 |3
|Pattern[17] |11.2 |9.7 |1.1 |3
|Pattern[18] |11.9 |10.4 |1.8 |3
[/table]

重新计算聚类圆心坐标
ClusterCenter[1]=(0.6,0.6);
ClusterCenter[2]=(1.67,1.67);
ClusterCenter[3]=(8.0,7.5);

聚类圆心座标不再改变，演算法达到收敛，因此决定最后的聚类圆心座标为
ClusterCenter[1]=(0.6,0.6);
ClusterCenter[2]=(1.67,1.67);
ClusterCenter[3]=(8.0,7.5);