k-means和bp神经网络要点总结

k-means

基本思想

从n个数据对象中任意选择k个对象作为中心进行聚类。

k-means算法接受参数k，将事先输入的n个对象划分为k个聚类使得所获得的聚类满足：同一个聚类中的对象相似度较高；不同聚类中的对象相似度较小。（相似度大=距离小；相似度小=距离大）

算法流程

首先从n个数据对象任意选择k个对象作为初始聚类中心，对于剩下的其他对象，则根据它们与这些聚类中心的相似度（距离）分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。

k个聚类的特点

各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。

算法优点

1.算法快速、简单。
2.对大数据集有较高的效率并且是可伸缩性的。
3.时间复杂度为O（nkt），近于线性，适合挖掘大规模数据集。

算法缺点

1.k是事先给定的，这个k值的选定是非常难以估计的。
2.在k-means算法中，首先需要根据初始聚类中心来确定一个初始划分，然后对初始聚类中心进行优化。这个初始聚类中心的选择对聚类结果有较大影响，一旦初始值选择的不好，可能无法得到有效的聚类结果。
3.该算法需要不断进行样本分类调整，不断地计算调整后的新的聚类中心，因此当数据量非常大时，算法的时间开销是非常大的。

三层BP神经网络

主要思想

输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时间时训练完成，保存网络的权值和偏差。

算法流程

主要分为以下两个阶段：
1.正向传播：
输入样本–>输入层–>隐含层–