【聚类算法】MiniBatchKMeans算法

最新推荐文章于 2025-06-20 08:15:00 发布
原创 最新推荐文章于 2025-06-20 08:15:00 发布 · 1.8w 阅读 · 94 ·
CC 4.0 BY-SA版权
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。

MiniBatchKMeans相比KMeans增加了更多参数，如n_clusters指定k值，max_iter设定最大迭代次数，n_init用于多次运行并采样不同数据集初始化，batch_size决定采样集大小影响聚类效果，init选择初始质心方式，init_size设定质心候选样本数，reassignment_ratio控制质心重分配比例，max_no_improvement表示连续未改善聚类效果的次数限制。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 

MiniBatchKMeans类主要参数

　　　　MiniBatchKMeans类的主要参数比KMeans类稍多，主要有：

　　　　1) n_clusters: 即我们的k值，和KMeans类的n_clusters意义一样。

　　　　2）max_iter：最大的迭代次数， 和KMeans类的max_iter意义一样。

　　　　3）n_init：用不同的初始化质心运行算法的次数。这里和KMeans类意义稍有不同，KMeans类里的n_init是用同样的训练集数据来跑不同的初始化质心从而运行算法。而MiniBatchKMeans类的n_init则是每次用不一样的采样数据集来跑不同的初始化质心运行算法。

              4）batch_size：即用来跑Mini Batch KMeans算法的采样集的大小，默认是100.如果发现数据集的类别较多或者噪音点较多，需要增加这个值以达到较好的聚类效果。

　　　　5）init： 即初始值选择的方式，和KMeans类的init意义一样。

　　　　6）init_size: 用来做质心初始值候选的样本个数，默认是batch_size的3倍，一般用默认值就可以了。

　　　　7）reassignment_ratio: 某个类别质心被重新赋值的最大次数比例，这个和max_iter一样是为了控制算法运行时间的。这个比例是占样本总数的比例，乘以样本总数就得到了每个类别质心可以重新赋

最低0.47元/天 解锁文章

200万优质内容无限畅学
[Python从零到壹] 十三.机器学习之聚类算法四万字总结全网首发（K-Means、BIRCH、树状聚类、MeanShift）
杨秀璋的专栏
07-06 1万+
欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望
大数据：聚类算法深度解析
流楚丶格念的博客
01-11 2091
聚类分析是一种将数据分成具有相似特征的组的技术。其目标是使组内的数据点相似度最大化，而组间的相似度最小化。这有助于发现数据中的隐藏结构和模式，为进一步的分析和决策提供基础。在聚类分析中，我们将数据点划分为不同的簇，使得同一簇内的数据点相互之间更为相似。这种相似性是通过一定的距离度量来定义的，常见的包括欧氏距离、曼哈顿距离等。而组间的相似度最小化，则意味着不同簇之间的差异性较大。聚类的过程类似于将一堆未标记的数据分成若干组，使得同一组内的数据点更加相似，例如下面分类结果。
python 增量聚类_适合大数据的聚类算法Mini Batch K-Means
weixin_39737764的博客
12-16 2103
K-Means算法是常用的聚类算法，但其算法本身存在一定的问题，例如在大数据量下的计算时间过长就是一个重要问题。为此，Mini Batch K-Means，这个基于K-Means的变种聚类算法应运而生。大数据量是什么量级？通过当样本量大于1万做聚类时，就需要考虑选用Mini Batch K-Means算法。但是，在选择算法时，除了算法效率(运行时间)外，算法运行的准确度也是选择算法的重要因素。Mi...
详解Kmeans的两大经典优化——mini-batch和Kmeans++
TechFlow的博客
03-25 2159
本文始发于个人公众号：TechFlow，原创不易，求个关注 今天是机器学习专题的第13篇文章，我们来看下Kmeans算法的优化。 在上一篇文章当中我们一起学习了Kmeans这个聚类算法，在算法的最后我们提出了一个问题：Kmeans算法虽然效果不错，但是每一次迭代都需要遍历全量的数据，一旦数据量过大，由于计算复杂度过大迭代的次数过多，会导致收敛速度非常慢。 想想看，如果我们是在面试当中遇到的这个问...
Mini-batch K-Means：加速大规模数据聚类的“利器”
最新发布
qiutesting的博客
06-20 1043
尽管该算法强大，但以下场景需​​谨慎选择​​​数据量<1万条​​：传统K-means精度更高且速度可接受​​要求精确聚类​​：如科学计算场景，容忍不了>1%的惯性值差异​​极度非凸数据​​：需配合Kernel方法（此时选Kernel K-means）​​动态簇数需求​​：需ISODATA等动态调整方案。
机器学习13：聚类Mini Batch K-Means
matafeiyanll的博客
02-05 1298
聚类Mini Batch K-Means Mini Batch K-Means 原理 Mini Batch K-Means算法是K-Means算法的变种，采用小批量的数据子集减小计算时间。这里所谓的小批量是指每次训练算法时所随机抽取的数据子集，采用这些随机产生的子集进行训练算法，大大减小了计算时间，结果一般只略差于标准算法。 该算法的迭代步骤有两步： 1：从数据集中随机抽取一些数据形成小批量，把他...
06 聚类算法 - 代码案例二 - K-Means算法和Mini Batch K-Means算法比较
weixin_34366546的博客
12-08 1305
03 聚类算法 - K-means聚类04 聚类算法 - 代码案例一 - K-means聚类05 聚类算法 - 二分K-Means、K-Means++、K-Means||、Canopy、Mini Batch K-Means算法 常规操作： import time import numpy as np import matplotlib.pyplo...
聚类算法之Mini Batch K-Means 算法
jack_jay_du的博客
08-17 5730
定义 Mini Batch K-Means算法是K-Means算法的一种优化方案，采用小批量的数据子集减小计算时间，同时仍试图优化目标函数，这里所谓的小批量是指每次训练算法时所随机抽取的数据子集，采用这些随机产生的子集进行训练算法，大大减小了计算时间，与其他算法相比，减少了k-均值的收敛时间，小批量k-均值产生的结果，一般只略差于标准算法。 Mini Batch KMeans使用了一个种叫做M...
小批量K-均值（Mini Batch K-Means）
...
07-07 1177
小批量K-均值（Mini Batch K-Means）是一种K-Means聚类算法的变种，它旨在处理。传统K-Means算法需要在每一轮迭代中遍历整个数据集，这在数据量巨大时是非常耗时的。Mini Batch K-Means通过每次（即“mini batch”）来更新聚类中心，从而显著减少了计算时间。
K-Means 和 MiniBatchKMeans 聚类算法的比较 .ipynb
12-30
K-Means 和 MiniBatchKMeans 聚类算法的比较 我们要比较 MiniBatchKMeans 和 KMeans 的性能：MiniBatchKMeans 更快，但结果略有不同（参见 Mini Batch K-Means）。 我们将对一组数据进行聚类，首先使用 KMeans，然后...
机器学习（聚类十一）——不同聚类算法在不同数据分布情况下的聚类效果
12-21
本文将探讨在不同数据分布情况下，多种聚类算法的表现及其效率。以下是对标题和描述中涉及的知识点的详细说明： 1. **聚类算法**： - **KMeans**：最常用的聚类算法之一，通过迭代最小化各簇内点的平方误差和来...
MinibatchKmeans——牺牲精度换取效率的一种kmeans改良
toohardp的博客
05-15 1046
毕设搞聚类，研究一下
机器学习/sklearn 笔记：K-means,kmeans++,MiniBatchKMeans，二分Kmeans
qq_40206371的博客
11-22 3360
indices：形状为(n_clusters,) 在数据数组X中选择的中心的索引位置。对于给定的索引和中心，X[index] = center。centers：形状为(n_clusters, n_features) ，k-means的初始中心。sample_weight 是X中每个观测的权重。如果为None，则所有观测都被赋予相等的权重。样本到最近簇中心的平方距离之和，如果提供了样本权重，则按样本权重加权。（也就是KMeans里面fit的内容）类似于使用k_means++来进行。用来选择初始种子的数据。
MiniBatchKMeans简单应用
军军的博客
08-07 2573
MiniBatchKMeans比KMeans快很多，效果也不错，应用于文本聚类如下： #!/usr/bin/env python # -*- coding: utf-8 -*- from __future__ import print_function import logging import os import re from collections import defaultdict
Lesson 7.2 Mini Batch K-Means与DBSCAN密度聚类
每天进步一点点！
02-16 1952
Mini Batch K-Means 算法原理与实现，DBSCAN 密度聚类基本原理与实践
使用Mini-Batch-K-Means对图像进行压缩
weixin_42660173的博客
09-27 796
针对一张成都著名景点：锦里的图片，通过 Mini Batch K-Means 的方法将相近的像素点聚合后用同一像素点代替，以达到图像压缩的效果。 直接看代码 # -*- coding: utf-8 -*- """ Created on Thu Sep 27 09:31:20 2018 图像压缩--- MiNi-Batch-K-Means方法 原理：相近像素点进行聚类并用同一像...
Kmeans算法的经典优化——mini-batch和Kmeans++
hdx柿子的博客
03-27 707
感谢参考原文-http://bjbsair.com/2020-03-27/tech-info/7090/ mini batch mini batch的思想非常朴素，既然全体样本当中数据量太大，会使得我们迭代的时间过长，那么我们 缩小数据规模 行不行？ 那怎么减小规模呢，很简单，我们随机从整体当中做一个抽样， 选取出一小部分数据来代替整体 。这样我们人为地缩小样本的规模，不就可以提升迭代的速度了？ ...
Minibach kmeans 方法
lv_tianxiaomiao的博客
03-13 1250
kmeans是一个基本的聚类方法，相信学过数据挖掘的都会懂这个算法 不过kmeans在数据量大的情况下会导致计算时间过长的问题， 所以自然而然的就会有相应的提高计算速度的方法出现 其实跟随机梯度下降的方法类似，也就是minibatch方法，基本上都一样 随机梯度下降是使用随机的样本来计算下降的梯度，而不是使用全局梯度 这个好处就是计算快，坏处就是局
聚类分析（三）Mini Batch KMeans算法
chiqi1020的博客
09-26 2049
在当前大数据的背景下，工程师们往往为了追求更短的计算时间，不得不在一定程度上减少算法本身的计算精度，我说的是在一定程度上，所以肯定不能只追求速度而不顾其它。在KMeans聚类中，为了降低计算时间，KMeans算法的变种Mini Batch KMeans算法应运而生。 ...
快速聚类算法
03-20
### 高效聚类算法概述 高效聚类算法通常指的是能够在较短时间内处理大规模数据集并提供合理分组结果的方法。其中，K-Means 和 Mini-Batch K-Means 是两种广泛使用的快速聚类算法[^2]。这些算法通过迭代优化目标函数来最小化簇内的距离平方和。 #### K-Means 算法简介 K-Means 是一种基于划分的聚类方法，它试图将数据划分为 \(k\) 个互斥的子集（即簇）。该算法的核心思想是不断调整质心位置以减少误差平方和 (SSE, Sum of Squared Errors)。 以下是 K-Means 的基本流程： 1. 初始化 \(k\) 个随机质心。 2. 将每个样本分配给最近的质心所代表的簇。 3. 更新各簇的质心为当前簇中所有点的均值向量。 4. 如果质心不再显著变化，则停止；否则返回第 2 步继续执行。 为了提高效率，在大数据场景下可以考虑采用 **Mini-Batch K-Means** 方法，这种方法每次仅利用一小部分样本来更新模型参数，从而大幅降低计算成本。 ```python from sklearn.cluster import MiniBatchKMeans import numpy as np # 创建模拟数据 X = np.random.rand(10000, 2) # 使用 Mini-Batch K-Means 进行聚类 mbkm = MiniBatchKMeans(n_clusters=5, random_state=0, batch_size=64).fit(X) labels = mbkm.labels_ centroids = mbkm.cluster_centers_ print(f"Cluster Labels:\n{labels[:10]}") # 输出前十个标签作为示例 ``` 上述代码展示了如何借助 `scikit-learn` 库中的 `MiniBatchKMeans` 类完成一次简单的批量训练过程。 另外值得注意的是，尽管层次聚类能够生成具有嵌套结构的结果，但由于其时间复杂度较高 (\(O(N^2)\)) ，因此对于非常庞大的数据集合来说可能并不是最佳选择[^1]。 ### 总结 当面对需要迅速得到初步结论的大规模数据分析任务时，推荐优先尝试像 Mini-Batch K-Means 或者其他线性时间复杂度级别的技术方案。它们不仅具备良好的性能表现，而且易于理解和部署实施。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值