《人工智能基础及应用（Python 微课版）》课件 第5.7 Kmeans算法_第1页
《人工智能基础及应用（Python 微课版）》课件 第5.7 Kmeans算法_第2页
《人工智能基础及应用（Python 微课版）》课件 第5.7 Kmeans算法_第3页
《人工智能基础及应用（Python 微课版）》课件 第5.7 Kmeans算法_第4页
《人工智能基础及应用（Python 微课版）》课件 第5.7 Kmeans算法_第5页
已阅读5页，还剩2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

Kmeans算法k均值聚类算法

k均值聚类算法（k-means

clusteringalgorithm）是通过样本之间的距离，把相似度高的样本聚成一簇（簇相似元素的集合），最后形成多个簇，将样本划分到不同的类别。以K、M、N为簇心聚为三类优点缺点简单、快速、易于实现需要预先指定

k

对大数据集可扩展对初始质心敏感（可能收敛到局部最优）结果可解释性强对异常值敏感适用于球形簇不能处理非凸形状或密度差异大的簇

k均值聚类算法是一种迭代求解算法，其步骤如下所示：步骤1：确定K值，意味着最终聚类的类别数。步骤2：随机选定K个值为质心，计算每一个样本到K个质心的距离，将样本点归到最相似的类中，分成K个簇。簇中所有数据的均值称为“质心”。步骤3：反复计算K个簇的质心，直到质心不再改变，确定每个样本所属的类别以及每个类的质心k-means算法示意图步骤1：初始数据集如图a所示，确定k=2。步骤2：随机选择两个点作为质心——红色质心和蓝色质心，如图b所示。计算样本与红色质心和蓝色质心的距离，标记每个样本的类别，如图c所示。步骤3：反复迭代，标记红色和蓝色各自新的质心，如图d、图e所示。步骤4：最终得到两个类别，如图f所示。k-means算法首先随机选取k个点作为初始聚类中心，然后计算各个数据对象到各聚类中心的距离，把数据对象归属到离它最近的聚类中心所在的类，重新计算新的聚类中心，如果相邻两次的聚类中心没有任何变化，说明数据对象调整结束，聚类已经收敛。在每次迭代中对于样本分类正确与否进行调整。在全部数据调整完后，再修改聚类中心，进入下一次迭代。如果在一次迭代算法中，所有的数据对象被正

人人文库> 全部分类> 教育资料 > 课件下载

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。

最新文档

评论

0/150

提交评论