k-means和knn的区别

最新推荐文章于 2024-08-22 17:58:38 发布

原创最新推荐文章于 2024-08-22 17:58:38 发布 · 3.4k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#kmeans #knn

机器学习专栏收录该内容

5 篇文章

订阅专栏

本文深入探讨了k-means聚类算法的工作原理，包括其无监督学习特性及如何通过迭代找到稳定的聚类中心。同时，对比介绍了knn分类算法作为监督学习方法的应用，强调了它直接依据样本进行分类的特性。

k-means是聚类（无监督学习），先定好k个类别，然后随机确定k个坐标（聚类中心），各点离哪个坐标近就算做哪类，然后不停算平均值求出中心，直到稳定，聚类完成。有训练的过程。
k-means++使初始的聚类中心坐标相距尽可能远。
knn = k nearest neighbor是分类（监督学习），定好k直接把待分类点周边最近的k个点计数，数量多的那类定为待分类点的类别。无训练的过程。