【 K-means算法与FuzzyCmeans算法原理介绍概述2000字】_第1页
【 K-means算法与FuzzyCmeans算法原理介绍概述2000字】_第2页
【 K-means算法与FuzzyCmeans算法原理介绍概述2000字】_第3页
【 K-means算法与FuzzyCmeans算法原理介绍概述2000字】_第4页
【 K-means算法与FuzzyCmeans算法原理介绍概述2000字】_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

K-means算法与FuzzyCmeans算法原理介绍概述1.1K-means算法原理与实现此为依据对样本集进行分类分割。以聚类思想为基础产生了K-means算法。K-means算法实现流程如下：1.确定K值为2。4.计算其它样本点对两个基准点的距离(欧氏距离如式3.7或曼哈顿距离如式3.8),离哪个基准点近就将该样本点分为哪一类。5.重复第4步骤直到完成所有点的分类。6.开始迭代，先找到这两个类别所有样本点在空间中的中心作为新的分类7.重复第6步骤直到某一次分类的结果与上一次分类的结果相同就停止训欧式距离即为A,B两点之间的绝对距离公式如式3.1所示：式中r为特征总数，Ai与Bi为A,B两点在第i个特征上的数值。曼哈顿距离又叫棋盘距离，它指的是A,B两点在空间中坐标轴差值绝对值的总和，沿用式(3.7)的符号，曼哈顿距离的公式如式3.2所示：K-means算法由于不需要样本集标签信息属于无监督学习。K-means算法的算法仍具有一定的不足：它的准确度不如监督学习的算法；对K值的选择十分1.2FuzzyCmeans算法原理与实现FuzzyCmeans算法为K-means的改进算法，其后核心思想同样是聚类思想，FuzzyCmeans算法引入了模糊的概念，改进了诸如K-means算法的一众硬聚类算坐标轴上，规定50为分类临界值，小于50的归类为1类群大于50的归类为2类群，1类群大多数样本点处于30的位置，2类群大多数样本点处于80的位置，此时有一个样本点处于51的位置，在硬聚类算法中该点被改归类为2类群，引入模糊理论之后，可以人为的根据工程需要为样本点例如该点对1类群隶属度为0.6,2类群隶属度为0.4,对样本进行分类时综合考所以在样本集M中每个样本点xi对所有类群的隶属度总和为1,且隶属度越高说明样本点属于该类群的概率越高，反之隶属度为0时说明该样本点完全不属于该FuzzyCmeans算法引入隶属度的概念，通过对类群边缘样本的优化，改善了接近于硬聚类，反之则聚类的模糊程度将会增大，若m过大将使分类结果严重c代表类群总数，v;代表第j个类群的聚类中心，uij代表样本点xi对第j个类群的隶属度，d(xi,v;)代表样本点xi到第j个聚类中心v;的欧氏距离。沿用式3.4的符号隶属度函数和聚类中心的迭代公式如下：2.设置模糊程度值m=2,最大迭代次数e(e>0),类群数C。4

人人文库> 全部分类> 教育资料 > 中学教育

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