Kmeans算法
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Kmeans算法,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含2604字,纯文字阅读大概需要4分钟。
内容图文
1.Kmeans算法
1.1算法思想
kmeans算法又名k均值算法,是一个重复移动类中心点的过程,把类的中心点,也称重心(centroids),移动到其包含成员的平均位置,然后重新划分其内部成员。k是算法计算出的超参数,表示类的数量;Kmeans可以自动分配样本到不同的类,但是不能决定究竟要分几个类。k必须是一个比训练集样本数小的正整数。有时,类的数量是由问题内容指定的。其算法思想总结为:先从样本集中随机选取 k 个样本作为簇中心,并计算所有样本与这 k 个“簇中心”的距离,对于每一个样本,将其划分到与其距离最近的“簇中心”所在的簇中,对于新的簇计算各个簇的新的“簇中心”。
根据以上描述,我们可以知道实现kmeans算法的要点:
??(1)簇个数 k 的选择,一般是按照实际需求进行决定,或在实现算法时直接给定 kk 值。
??(2)各个样本点到“簇中心”的距离
???? 给定样本 x(i)={x(i)1,x(i)2,,...,x(i)n,}与x(j)={x(j)1,x(j)2,,...,x(j)n,},其中i,j=1,2,...,m,表示样本数,n表示特征数x(i)={x1(i),x2(i),,...,xn(i),}与x(j)={x1(j),x2(j),,...,xn(j),},其中i,j=1,2,...,m,表示样本数,n表示特 征数 。本文数据集为连续属性,因此代码中主要以欧式距离进行距离的度量计算
(3)根据新划分的簇,更新“簇中心”
1.2算法步骤
输入:训练数据集 D=x(1),x(2),...,x(m)D=x(1),x(2),...,x(m) ,聚类簇数 k ;
??过程:函数 kMeans(D,k,maxIter)kMeans(D,k,maxIter) .
??1:从 D 中随机选择 kk 个样本作为初始“簇中心”向量: μ(1),μ(2),...,,μ(k)μ(1),μ(2),...,,μ(k) :
??2:repeat
??3:??令 Ci=?(1≤i≤k)Ci=?(1≤i≤k)
??4:??for j=1,2,...,mj=1,2,...,m do
??5:????计算样本 x(j)x(j) 与各“簇中心”向量 μ(i)(1≤i≤k)μ(i)(1≤i≤k) 的欧式距离
??6:????根据距离最近的“簇中心”向量确定 x(j)x(j) 的簇标记: λj=argmini∈{1,2,...,k}djiλj=argmini∈{1,2,...,k}dji
??7:????将样本 x(j)x(j) 划入相应的簇: Cλj=Cλj?{x(j)}Cλj=Cλj?{x(j)} ;
??8:??end for
??9:??for i=1,2,...,ki=1,2,...,k do
??10:????计算新“簇中心”向量: (μ(i))′=1|Ci|∑x∈Cix(μ(i))′=1|Ci|∑x∈Cix ;
??11:????if (μ(i))′=μ(i)(μ(i))′=μ(i) then
??12:??????将当前“簇中心”向量 μ(i)μ(i) 更新为 (μ(i))′(μ(i))′
??13:????else
??14:??????保持当前均值向量不变
??15:????end if
??16:??end for
??17:??else
??18:until 当前“簇中心”向量均未更新
??输出:簇划分 C=C1,C2,...,CK
1.3代码实现
1.4算法优缺点
1.4.1优点:
1.原理比较简单,实现也是很容易,收敛速度快。
2.对大数据集有较高的效率并且是可伸缩性的。
3.主要需要调参的参数仅仅是簇数k。
1.4.2缺点:
1.K值需要预先给定,很多情况下K值的估计是非常困难的。
2.K-Means算法对初始选取的质心点是敏感的,不同的随机种子点得到的聚类结果完全不同 ,对结果影响很大。
3.采用迭代方法,可能只能得到局部的最优解,而无法得到全局的最优解。
参考文献:
http://bigdata.51cto.com/art/201804/571439.htm
https://www.cnblogs.com/lliuye/p/9144312.html
内容总结
以上是互联网集市为您收集整理的Kmeans算法全部内容,希望文章能够帮你解决Kmeans算法所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。