KMeans笔记 K值以及初始类簇中心点的选取

ZhikangFu

于 2015-09-14 10:45:38 发布

阅读量7.3k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：机器学习基础

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/ZhikangFu/article/details/48436257

KMeans算法通过迭代找到最佳聚类。K值选择至关重要，过大过小都会影响效果。合适的K值可通过观察类簇指标随K变化的曲线找到，例如当K=5时，类簇指标下降最快。KMeans的优点在于简单直观，但缺点是对初始中心点敏感且可能陷入局部最优。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

KMEANS算法原理：

1、从D中随机取k个元素，作为k个簇的各自的中心。

2、分别计算剩下的元素到k个簇中心的欧氏距离，将这些元素分别划归到相异度最低的簇。

3、根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数。

4、将D中全部元素按照新的中心重新聚类。

5、重复第3步，直到聚类结果不再变化。

<

最低0.47元/天解锁文章

评论 2

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。