1123day6

最新推荐文章于 2025-08-08 18:38:01 发布
原创 最新推荐文章于 2025-08-08 18:38:01 发布 · 321 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#机器学习

本文深入探讨了KMeans聚类算法的流程，解释了其对异常值的敏感性，并介绍了评估聚类效果的方法，如兰德系数、调整兰德系数和轮廓系数。此外，讨论了如何通过肘部法则选择合适的超参数k。同时，文章指出了KMeans算法的优缺点，包括其简单性、可解释性以及在大数据和异常值处理上的挑战。

1.简述kmeans流程

随机选择k个结点作为聚类中心，依次计算所有结点到距离中心的距离，将新的结点划分到与其最近的聚类中心所在的簇，更新聚类中心点，重复次过程，直至所有的数据所属的簇不在发生变化为止
2.kmeans对异常值是否敏感？为何？ 

敏感，因为K-mean需要计算距离，异常值会导致距离变化，从而分类错误
3.如何评估聚类效果 

兰德系数

调整兰德系数

轮廓系数
4.超参数k如何选择？ 

肘部法则：遍历不同的K，计算代价函数，并画出代价函数变化趋势，选择使代价函数变平缓的点所对应得K值
5.kmeans算法的优缺点（各说三个） 

优点：原理简单，易于实现；可解释性强；参数少

缺点：计算量大，速度慢；数据量大时不适用；对异常值敏感

 

K-means算法 面试高频题
学渣集散地
11-24 1893
一、简述K-means的流程 基本流程如下： 随机初始化k个中心点； 计算所有样本点到中心点的距离； 比较每个样本到k个中心点的距离，并将样本分类到距离最近的中心点所在的类别中； k个类别组成的样本点重新计算中心点； 重复2-4，直到中心点变化小于阈值或不再变化。 其中，k表示预设的类别个数；两点间距离常用欧氏距离和余弦距离。 补充：K-means++ 解决K-Means算法对初始簇心比较敏感的问题，K-Means++算法和K-Means算法的区别主要在于初始的K个中心点的选择方面，K-Means算法使
【机器学习-小白向】简单的超参数优化实现，以K-means为例
yumoumou2002的博客
08-30 591
超参数是机器学习算法中需要人为设定的参数，不能直接从训练数据中学习得到；而模型参数则是模型的参数，可由模型从训练数据中学习得到。
【Python机器学习】Sklearn库中Kmeans类、超参数K值确定、特征归一化的讲解（图文解释）
showswoller的博客
12-16 3852
【Python机器学习】Sklearn库中Kmeans类、超参数K值确定、特征归一化的讲解（图文解释）
K-means-：在聚类时发现异常
cite5110的博客
12-03 1024
11月4日和5日，BigML加入哈马德滨 哈利法大学 的 卡塔尔计算研究所 （QCRI），将 机器学习学校带到卡塔尔的多哈 ！ 我们很高兴...
机器学习——无监督学习(k-means算法)
weixin_50164178的博客
07-06 1815
机器学习，无监督学习中的K-Means聚类算法，图解以及实例。
BlueCMS-0day代码审计
孤桜懶契
04-17 858
代码审计的思路 代码审计核心在于通过源代码，知道代码如何执行，然后根据代码执行中可能产生的问题来寻找漏洞。 代码审计一般泛指白盒审计，但是要记住，通用性漏洞，例如CMS通杀漏洞，其实并不是仅仅只有代码审计能好到，本地搭建然后纯黑盒测试也可以的。只不过代码审计更为全面的容易找到漏洞 代码审计其实思路很简单，一共两条路线，全文通读和敏感函数定位。 全文通读：我看了每一行代码不是还不够清楚吗？ 敏感函数定位：掌握住可以存在危险函数的地方 反推 渗透测试人员 -> 渗透测试 -> 找漏洞 -&
Java学习day12（进阶学习day03）
最新发布
m0_74575430的博客
08-08 554
mm.show();int num=10;int num=20;int num=30;show();System.out.println("匿名内部类，重写后的show方法");});System.out.println("lambda表达式，重写后的show方法");});a.show();
DAY04作业
weixin_71988966的博客
06-16 429
day04作业
python学习笔记-day2
weixin_48518726的博客
03-03 1295
如果你有一些具有许多参数的函数，而你又希望只对其中的一些进行指定，那么你可以通过命名它们来给这些参数赋值——这就是关键字参数。只有那些位于参数列表末尾的参数才能被赋予默认参数值，意即在函数的参数列表中拥有默认参数值的参数不能位于没有默认参数值的参数之前。这是因为值是按参数所处的位置依次分配的。我们可以通过这一特性来使模块以不同的方式运行，这取决于它是为自己所用还是从其它从的模块中导入而来。有时你可能想定义的函数里面能够有任意数量的变量，也就是参数数量是可变的，这可以通过使用星号来实现。
Day07 【手动实现bert网络结构】
qq_32070449的博客
04-09 882
本文代码通过手动实现矩阵运算来模拟 BERT 模型的核心部分，包括嵌入层、注意力机制、前馈网络、归一化层等。其主要目的是与 Hugging Face 提供的预训练 BERT 模型对比，检查自定义实现是否正确。
【机器学习】K-means聚类的最优k值的选取（含代码示例）
努力才是唯一的入场券。
06-05 3万+
【机器学习】K-means聚类的最优k值的选取
K-Means算法及其变种，优缺点分析笔记
夏未眠秋风起的博客
10-03 2730
K-Mneans算法是常见，常用，常考的算法，因此这里做个笔记，多多复习。 k-means算法的主要流程 1.根据需求，初始化k个中心点 2.为每个样本点计算他们和k个中心点的距离，找到距离最近的中心点，即该样本就属于这个中心点所代表的的类 3.做完2后，就已经对样本做了一次分类了，接着计算每个类别中的样本点的均值，用这些均值代替原来的k个样本点。 4.重复2,3知道满足一些条件（迭代次数，误差大小等）。 距离有多种计算方法：距离度量的不同方法可以参考我的另一篇博客https://blog.cs
Kmeans算法的优缺点
gaobellen的专栏
04-13 3万+
kmeans算法的优缺点
kmeans算法_Kmeans算法介绍及其参数讲解
weixin_39972741的博客
12-03 4992
算法介绍K-means聚类算法是最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目K，K由用户指定，K均值算法根据某个距离函数反复把数据分入K个聚类中。K-means算法的思想是，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。而K中心点算法通过对K-means...
K-means聚类最优k值的选取
热门推荐
qq_15738501的博客
01-11 8万+
       最近做了一个数据挖掘的项目，挖掘过程中用到了K-means聚类方法，但是由于根据行业经验确定的聚类数过多并且并不一定是我们获取到数据的真实聚类数，所以，我们希望能从数据自身出发去确定真实的聚类数，也就是对数据而言的最佳聚类数。为此，我查阅了大量资料和博客资源，总结出主流的确定聚类数k的方法有以下两类。1.手肘法1.1 理论手肘法的核心指标是SSE(sum of the squared...
机器学习教程之10-聚类（Clustering）-K均值聚类（K-means）的sklearn实现
把你挖出来的博客
08-04 1万+
0.概述 ---- **优点**： 原理简单 速度快 能够处理大量的数据 **缺点**： 需要指定聚类 数量K 对异常值敏感 对初始值敏感
K-means和K-means++的算法原理及sklearn库中参数解释、选择
二当家的掌柜
08-08 5万+
前言：　　这篇博文主要介绍k-means聚类算法的基本原理以及它的改进算法k-means的原理及实现步骤，同时文章给出了sklearn机器学习库中对k-means函数的使用解释和参数选择。K-means介绍：　　K-means算法是很典型的基于距离的聚类算法，采用距离 作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最
机器学习之聚类算法（三）KMeans、KMeans++、KMeans||原理介绍及代码实现
繁华三千东流水不舍昼夜的博客
08-21 4577
KMeans系列的详细解释及底层实现。算法基于数学思维。
kmeans聚类算法_k-means聚类算法原理与参数调优详解
weixin_39914732的博客
10-22 3004
k-means算法原理K-means中心思想：事先确定常数K，常数K意味着最终的聚类类别数，首先随机选定初始点为质心，并通过计算每一个样本与质心之间的相似度(这里为欧式距离)，将样本点归到最相似的类中，接着，重新计算每个类的质心(即为类中心)，重复这样的过程，直到质心不再改变，最终就确定了每个样本所属的类别以及每个类的质心。由于每次都要计算所有的样本与每一个质心之间的相似度，故在大规模的数据集上，...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值