本文深入探讨了K-means聚类算法，包括算法简介、思想、描述及一个药物分类的例子。K-means算法适用于数据簇形状为凸面、大小相近的情况，但也存在对初始聚类中心敏感、局部最优和对噪声敏感的问题。同时，文章提到了KNN算法，这是一种基于最近邻的分类方法，依赖于数据统计，属于懒学习。KNN与K-means的主要区别在于KNN是分类而非聚类，且不需要预先确定类别数量。
K-means方法是一种非监督学习的算法，它解决的是聚类问题。
1、算法简介：K-means方法是聚类中的经典算法，数据挖掘十大经典算法之一；算法接受参数k,然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类满足聚类中的对象相似度较高，而不同聚类中的对象相似度较小。
2、算法思想：以空间中k个点为中心进行聚类，对最靠近他们的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直到得到最好的聚类结果。
3、算法描述：
（1）适当选择c个类的初始中心；
（2）在第k次迭代中，对任意一个样本，求其到c各中心的距离，将该样本归到距离最短的那个中心所在的类；
（3）利用均值等方法更新该类的中心值；
（4）对于所有的C个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束；否则继续迭代。
4、算法举例：
我们假设药物A、B、C、D有两个特征值，分别是药物重量以及PH值。
首先我们把上面的数据画
最低0.47元/天 解锁文章
扫一扫
5745
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
