K-MEANS(K均值聚类算法-C均值算法).ppt_第1页
K-MEANS(K均值聚类算法-C均值算法).ppt_第2页
K-MEANS(K均值聚类算法-C均值算法).ppt_第3页
K-MEANS(K均值聚类算法-C均值算法).ppt_第4页
K-MEANS(K均值聚类算法-C均值算法).ppt_第5页
已阅读5页,还剩15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

1、k-means也称为算法简介、K-Means算法、K-average或K-average,是应用最广泛的集群算法之一。每个集群子集中所有数据样本的平均值作为该集群的代表点。算法的主要想法是通过迭代过程将数据集分为多个类别。评估群集性能的标准函数保持最佳状态,从而在每个生成的群集内实现紧凑、类之间的独立。牙齿算法不适合离散属性处理,但对连续的聚类效果很好。算法描述中心向量c1,c2,CK初始化K种子组:将采样指定给最近的中心向量,以形成这些采样中不相交的簇。中心:使用算法收敛、算法K-到每个簇的中心向量作为新的中心迭代分组和中心确定步骤。输出:k簇,最小化平方误差准则。算法步骤:1 .识别每个丛

2、集的初始丛集中心,以建立k个初始丛集中心。2.根据最小距离原则将示例集中的示例分配给最近的群集3。使用每个群集的样本均值作为新的群集中心。重复步骤2.3,直到不再对群集中心进行更改。5.结束,K个群集,2020/8/11,将示例分配给最近的中心向量,减少目标函数值,更新群集平均值,计算基础函数E,K-means群集算法,群集方法拆分数据集群集时包括以下三个茄子:(1因此,在计算数据示例之间的距离时,根据需要计算欧式距离)牙齿中最常用的是欧式距离。我给大家具体介绍一下欧式距离。对于给定数据集,X的示例显示为D个描述属性A1,A2Ad,假设D个描述属性是连续属性。数据示例Xi=(xi1,xi2,x

3、id),XJ=(xj1,xj2,xjd),其中xi1,xi2,xid和xj1,xj2,xjd分别是示例Xi和XJ距离越大,采样Xi和XJ不相似,差异越大。欧式距离公式为:(2)使用评估群集性能的基准函数k-means群集算法选择错误平方和指导函数评估群集性能。提供了仅包含说明属性而不包含类别属性的数据集x。假设x包含k个群集子集x1、x2和xk。每个群集子集的示例数分别为n1、n2、nk。每个群集子集平均代表点(也称为群集中心)分别为m1、m2、mk。误差平方和基准函数公式是,(3)相似性计算基于簇中对象的平均值。(1)将所有对象随机指定给k个非空群集。(2)计算每个群集的平均值,并使用牙齿平均值表示该群集。(3)每个对象根据与每个群集中心的距离指定给最近的群集。(4),然后旋转(2)以重新计算每个群集的平均值。牙齿过程函数重复,直到满足特定标准。数据对象集S如表1所示,作为聚类分析2D示例,所需的群集数k=2。(1)选择,初始群集中心,即。(2)对于剩馀的每个对象,根据与每个群集中心的距离将其指定给最近的群集。例如:、重复(2)和(3)将O1分配给C1。O2分配给C2,O3分配给C2,O4分配给C2,O5分配给C1。获取更新、新群集和。中心是。单个超差分别为、k-means算法性能分析,主要优点:经典算法解决集群问题,简单快速。对于大型数据集处

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