超级会员免费看
K-means是一种常用的无监督聚类算法，目标是最小化簇内点与簇中心的距离和。它涉及随机初始化簇中心、计算样本点距离、分配样本和更新簇中心等步骤。然而，K-means对初始点敏感且可能陷入局部最优。K-means++通过概率选择质心以改进初始化，降低局部最优影响。文章还指出了K-means算法处理非凸簇、数据不平衡和异常点时的局限性。
一、算法简介
K-means算法是一种常见的无监督学习聚类算法，其基本思想是将n个样本划分为k个簇，每个簇内的样本之间的相似度要尽可能的大，而不同簇之间的相似度要尽可能的小，通过最小化各个簇内点与该簇中心点的距离和来实现。
二、具体算法流程
Kmeans:
1. 初始化： 随机选取k个点作为簇中心；
2. 计算距离： 根据选取的距离度量方式（通常为欧氏距离）计算每个样本到k个中心的距离；
3. 分配样本点： 将每个样本点划分为距离最近的簇；
4. 计算簇中心： 对于每个簇，重新计算该簇所有样本的均值，将该均值作为新的簇中心；
5. 迭代： 重复执行步骤2到步骤4，直到簇中心不再发生变化或者达到预设的迭代次数。<
订阅专栏 解锁全文
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
