qq_45645521的博客

K-邻近算法K-邻近算法概述手写KNN算法示例：使用K-邻近算法改进约会网站的配对效果示例：手写识别系统K-邻近算法概述KNN采用测量不同特征值之间的距离方法进行分类。优点：精度高、对异常值不敏感、无数据输入假定缺点：计算复杂度高、空间复杂度高适用数据范围：数值型和标称型工作原理：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算

K-medoids中心聚类算法K-medoids聚类算法的基本思想K-medoids算法步骤实验源码结果展示Medoid在英文中的意思为“中心点”所以，K-Medoids算法又叫K-中心点聚类算法与K-means有所不同的是：K-medoids算法不采用簇中对象的平均值作为参照点，而是选用簇中位置最中心的对象，即中心点作为参照点那么问题来了，该怎么找聚类对象中的代表对象，也就是中心点呢？首先为每个簇随意选择一个代表对象，剩余的对象根据其与代表对象的距离分配给最近的一个簇；然后反复地用非代表对象的距

层次聚类算法概要层次聚类方法实例实验源码概要层次聚类方法将数据对象组成一颗聚类树根据层次分解是以自底向上（合并）还是自顶向下（分裂）方式，层次聚类方法可以进一步分为凝聚和分裂的层次聚类方法凝聚层次聚类：采用自底向上策略，首先将每个对象作为单独的一个原子簇，然后合并这些原子簇形成越来越大的簇，直到所有的对象都在一个簇中（层次的最上层），或者达到某个终止条件。绝大多数层次聚类方法属于这一类分裂层次聚类：采用自顶向下策略，首先将所有对象置于一个簇中，然后逐渐细分为越来越小的簇，直到每一个对象自成

Kmeans均值聚类算法Kmeans白话理解Kmeans原理详解聚类与分类原理介绍工作流程评价指标Kmeans代码实现聊一聊Kmeans的缺点及优化Kmeans白话理解Kmeans，又作K-means，顾名思义，K均值聚类算法。Kmeans算法将数据集分为K个簇，使每个簇簇内距离小，簇间距离大。Kmeans原理详解聚类与分类聚类，是将一堆没有标签的数据分成几簇，我们并不关心这一类是什么，我们关心的仅仅只是把相似的目标聚在一起分类，是将一些给定的打好标签的数据，训练得到某种目标函数，在一个新的数据