一、k-means算法： 1、优缺点： 优点：容易实现。 缺点：可能收敛到局部最小值，在大规模数据集上收敛较慢。 2、伪代码描述： 原文：https://www.cnblogs.com/monty12/p/10128541.html
//写个简单的先练习一下,测试通过
//k-均值聚类算法C语言版 #include <stdlib.h>
#include <stdio.h>
#include <time.h>
#include <math.h> #define TRUE 1
#define FALSE 0
int N;//数据个数
int K;//集合个数
int * CenterIndex;//初始化质心数组的索引
double * Center;//质心集合
double * CenterCopy;//质心集合副本
double * AllData;//数据集合
doub...
简单实现平面的点K均值分析，使用欧几里得距离，并用pylab展示。代码如下:import pylab as pl
#calc Euclid squiredef calc_e_squire(a, b): return (a[0]- b[0]) ** 2 + (a[1] - b[1]) **2
#init the 20 pointa = [2,4,3,6,7,8,2,3,5,6,12,10,15,16,11,10,19,17,16,13]b = [5,6,1,4,2,4,3,1,7,9,16,11,19,12,15,14,11,14,11,19]
#define two k_valuek1 = [6,3]k2 = [6,1]
#defint tow clustersse_k1 = []sse_k2 = []while True...
第10章 K-均值聚类算法([代码][ch10])K-均值算法的优缺点
K-均值是发现给定数据集的 K 个簇的聚类算法, 之所以称之为 K-均值 是因为它可以发现 K 个不同的簇, 且每个簇的中心采用簇中所含值的均值计算而成.
簇个数 K 是用户指定的, 每一个簇通过其质心（centroid）, 即簇中所有点的中心来描述.
聚类与分类算法的最大区别在于, 分类的目标类别已知, 而聚类的目标类别是未知的.优点:容易实现缺点:可能收敛到局部最小值，在大规模数据...
K-均值（K-Means）算法用于解决无监督学习中聚类问题，其输入为聚类组数量$K$，以及数据集${x^{(1)},x^{(2)},dots,x^{(m)}}$，其中$x^{(i)}inmathbb{R}^n$（不再添加$x^{(i)}_0=1$这一项）。算法步骤为：首先需要随机选取$K$个聚类中心（Cluster Centroid）$mu_1,mu_2,dots,mu_Kinmathbb R^n$。先计算每个样本与各个聚类中心的距离$|x^{(i)}-mu_k|$，令$c^{(i)}$为距离样本$x^{(i)}$最近聚类中心的索引$k$，即$c^{(i)}=minlimits_k...
步骤
1.随机选择k个初始点作为聚类中心
2.将数据中每个对象赋予给最近的聚类中心
3.每一类数据求取质心，作为新的聚类中心
4.重复2和3，直到满足结束条件（迭代步数或者最终的聚类中心变化较小或者误差平方和变化较小）
注意：1.这里初始化是随机的，这会导致局部最优解，可以通过不断地做2均值聚类来提高性能，这是二分k均值算法，每次选择聚类后误差平方和最小的方式做2均值聚类
2.使用误差平方和，也就是每一类的数据...
一、相异度计算
在正式讨论聚类前，我们要先弄清楚一个问题：怎样定量计算两个可比較元素间的相异度。用通俗的话说。相异度就是两个东西区别有多大。比如人类与章鱼的相异度明显大于人类与黑猩猩的相异度，这是能我们直观感受到的。可是，计算机没有这样的直观感受能力，我们必须对相异度在数学上进行定量定义。
设 ，当中X。Y是两个元素项，各自具有n个可度量特征属性，那么X和Y的相异度定义为：
聚类：聚类是一种无监督的学习，它将相似的对象归到同一个簇中。有点像全自动分类。聚类方法几乎可以应用于所有对象，簇内的对象越相似，聚类的效果越好。聚类分析试图将相似对象归入同一簇，将不相似对象归到不同簇。相似这一概念取决于所选的相似度计算方法。
K-均值聚类算法：优点：易于实现。缺点：可能收敛到局部最小值，在大规模数据集上收敛较慢。适用于：数值型数据。k-均值是发现给定数据集的k个簇的算法。簇的个数k是用户...
