超级会员免费看
本文介绍了KMeans聚类算法的原理，包括随机选择初始聚类中心，通过迭代更新和移动簇中心来使数据点分组，直到簇中心不再移动。文章还讨论了KMeans的优缺点，如对异常值和初始值的敏感性，并展示了其损失函数，强调了损失函数最小化的重要性。此外，提到了KMeans在特定数据分布（如环形分布）上的局限性。
然后我们来看一下KMeans聚类算法的原理
可以看到,聚类的过程是,首先1.将N个样本数据,映射到K个簇中,这个K就是我们指定的划分成几类,比如3对吧,那么
指定了K个类别以后,然后 我们再去随机指定K个,簇中心 然后再去计算,我们指定的这个簇中心,到簇中所有样本的距离的平均值,
我们得到平均值以后,再去移动这个簇中心,然后让簇中心到,这个簇中的点的距离变短,
然后移动簇中心以后,再去从新计算,这个簇中的,各个样本点到这个簇中心的距离,然后再去计算平均距离,然后再去
移动簇中心,这样迭代 最终会分开数据
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
