《数据挖掘原理与应用 第2版 》课件 7.3聚类分析-K中心点算法_第1页
《数据挖掘原理与应用 第2版 》课件 7.3聚类分析-K中心点算法_第2页
《数据挖掘原理与应用 第2版 》课件 7.3聚类分析-K中心点算法_第3页
《数据挖掘原理与应用 第2版 》课件 7.3聚类分析-K中心点算法_第4页
《数据挖掘原理与应用 第2版 》课件 7.3聚类分析-K中心点算法_第5页
已阅读5页,还剩1页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

第7章分类预测3.

K中心点算法背景K-means算法对噪声数据点较为敏感,在前面的例子中的结果说明了这一点。包含离散点数据的质心有较大偏差,造成簇质心点的偏移,在下一轮迭代重新划分样本点的时候,会纳入一定量不属于该簇的样本点,得到不准确的聚类结果。2算法K-medoids算法在计算新质心点时,并非如K-means算法中简单地采用均值计算法,而是在每次迭代后,均从聚类的样本点中选取质心点,而选取的标准就是当该样本点成为新的质心点后能提高该簇的聚类质量,使得簇更加紧凑。该算法使用绝对误差和来定义一个类簇的紧凑程度3数据分为k个簇,Ci为第i个簇,ci为簇Ci的质心选择质心如果某样本点成为质心点后,绝对误差和小于原质心点的绝对误差和,则认为该样本点可取代原质心点,在迭代重新计算类簇质心点时,选择绝对误差和最小的那个样本点成为新的质心点。4迭代处理与K-means算法一样,K-medoids也采用欧几里得距离来衡量样本点到质心点的距离。终止条件是,当所有的簇的质心点都不再发生变化时,即认为聚类结束。5优劣该算法改善了K-means算法对噪声点敏感的问题,但由于新质心点计算规则改变,算法的时间复杂度也有所上升。6

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论