K-means聚类算法-----------机器学习

Lavender-csdn

于 2020-03-15 10:46:05 发布

阅读量872

点赞数

分类专栏：机器学习文章标签：人工智能数据挖掘机器学习

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/kidchildcsdn/article/details/104873391

版权

本文详细介绍了K-means聚类算法，包括其工作原理、步骤、优缺点以及与EM算法的关系。K-means通过迭代寻找使得同一簇内样本到簇中心距离最小的划分，但对初始均值的选择敏感，可能导致不稳定的聚类结果。此外，K值的选择和对非凸数据、异常值的处理也是其挑战。可以通过肘部法则确定最佳聚类数量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

k均值算法是我们学习聚类算法的第一种算法，前面我们介绍了聚类任务以及聚类任务的性能度量，但是还没有介绍具体的算法，今天我们从k均值算法开始说起，前面的博文中我们提到了EM算法，其实k均值算法中也带有EM算法的思想，我们一步一步来看。

k均值算法

给定样本集 $D=\{\textbf{x}_1,\textbf{x}_2,...,\textbf{x}_m\}$ ，那么k均值算法是如何将这些样本集划分为k个类别也就是k个簇 $C=\{C_1,C_2,...,C_k\}$ ，任何一种算法想达到某种效果，都需要有一个性能度量来衡量我这个算法最后聚类结果是否使我们满意的，那么这里k均值算法采用的是最小化同一个簇里面样本到簇中心的距离：

其中 $\boldsymbol{\mu}_{i}=\frac{1}{\left|C_{i}\right|} \sum_{\boldsymbol{x} \in C_{i}} \boldsymbol{x}$ 是簇 $C_i$ 的均值向量，这个式子直白的理解就是簇内样本围绕簇均值向

最低0.47元/天解锁文章

评论

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。