《统计学习方法》第 14 章聚类方法 KMeans

最新推荐文章于 2025-06-15 17:58:02 发布

weixin_34406061

最新推荐文章于 2025-06-15 17:58:02 发布

阅读量613

点赞数

CC 4.0 BY-SA版权

文章标签：数据结构与算法

原文链接：https://juejin.im/post/5cfe7baef265da1b6a348a19

本文深入探讨了K-均值聚类算法的基本原理，包括如何将n个样本分配到k个不同的类中，使得每个样本到其所属类中心的距离最小。详细介绍了算法的策略、损失函数以及迭代过程，直至达到收敛。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

k-均值聚类

n 个样本分到 k 个不同的类或簇，每个样本到其所属类的中心的距离最小。

每个样本只能属于一个类，所有 k-均值聚类 是 硬聚类。

模型

k < n
$G_{i} \cap G_{j} = \varnothing, \bigcup_{i=1}^{k}G_{i} = X$

策略

距离：欧式距离
损失函数：样本与所属类的中心的距离总保
NP 困难问题

算法

目标函数极小化

初始化，随机取个样本做中心
对样本进行聚类，计算样本到类中心距离，每个样本指派到与其最近的中心的类
计算新的类中心。对聚类结果计算样本的均值，做为新的类中心
如果迭代收敛或符合停止条件，输出。否则，令，返回 2

源码：github.com/iOSDevLog/s…

转载于:https://juejin.im/post/5cfe7baef265da1b6a348a19

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。