本文介绍了K-Means聚类算法的基本原理和Mahout库中的实现细节。KMeans算法通过迭代更新聚类中心，直到满足收敛条件。在Mahout中，KMeans算法包括输入数据点、计算迭代中心、输出到指定目录的过程，涉及KMeansMapper、KMeansCombiner、KMeansReducer组件。此外，讨论了参数调整，如Delta和最大迭代次数对聚类结果的影响。
一，K-Means聚类算法原理
k-means 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：同一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。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。
K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是：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，直至得到最好的聚类结果。
假设要把样本集分为c个类别，算法描述如下：
（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&#x
最低0.47元/天 解锁文章
扫一扫
607
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
