吴恩达机器学习（十一）K-means（无监督学习、聚类算法）

最新推荐文章于 2025-08-10 20:58:01 发布
原创 最新推荐文章于 2025-08-10 20:58:01 发布 · 1.9k 阅读 · 5 ·
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。
文章标签：

#机器学习 #K-means #K-均值 #聚类算法 #无监督学习

本文介绍了吴恩达机器学习课程中的无监督学习部分，特别是K-means聚类算法。文章涵盖了K-means的算法流程，包括簇分配和移动聚类中心，以及代价函数的解释。还讨论了如何选择合适的簇数量K，提到了人工选择和肘部法则。此外，文章指出K-means可能陷入局部最优解的问题。

目录

0. 前言

1. K-means的算法流程

2. 代价函数（优化目标函数）

3. K 的选择

学习完吴恩达老师机器学习课程的无监督学习，简单的做个笔记。文中部分描述属于个人消化后的理解，仅供参考。

如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~

0. 前言

  • 监督学习（supervised learning）：样本数据已经标记了所属的类别
  • 无监督学习（unsupervised learning）：样本数据未标记所属的类别

无监督学习通常采用聚类算法（clustering algorithm）对其分门别类，通常成为“簇”（cluster）。常见的聚类算法有 K-means（K-均值），初始作如下定义：

  • K --- 簇的数量
  • x^{(i)} --- 第 i 个样本向量
  • c^{(i)} --- 第 
最低0.47元/天 解锁文章

新学期VIP享超值加赠
吴恩达机器学习：均值聚类法（K-means Clustering）
qyk666的博客
04-12 1931
在本练习中，您将实现K-means算法并将其用于图像压缩。
吴恩达机器学习课后习题（K-Means算法）
qq_42333474的博客
08-16 1113
一、K-Means算法 无监督学习区别于监督学习算法，无监督学习中没有标签y，算法需要根据输入的数据集直接将其进行区分为各簇，每簇数据有其聚类中心。K-Means算法为一种无监督学习算法，可以实现算法自动区分数据集中不同簇。 实现K-Means算法可以自己编写函数实现，也可以调用python中的KMeans包。 二、实现K-Means算法 1）编写函数实现K-Means算法 导入运算包。 import numpy as np import pandas as pd import seaborn as sb
机器学习K-means算法
11-28
非常完美的K-means算法代码，利用聚类思想进行分类，是机器学习中的典型分类算法。
吴恩达《机器学习》——KMeans聚类算法
Ace2NoU的博客
01-06 1120
K-Means算法的数学原理和python实现，并利用K-Menas算法进行了图像压缩和分析。
机器学习笔记(四)——聚类算法KNN、Kmeans、Dbscan
qq_65078669的博客
07-30 1322
KNN算法的步骤可以概括如下：1、计算距离：计算待分类样本与训练集中每个样本的距离。2、选择k个最近邻样本。3、投票或取平均：对于分类问题，K 个最近邻中出现次数最多的类别即为待分类样本的类别；对于回归问题，K 个最近邻的值的平均值即为待分类样本的值。
吴恩达-机器学习-k-means聚类算法
StrawBerryTreea的博客
11-22 990
吴恩达-机器学习2022版 k-means聚类算法实现整理 1.核心函数四个： 1.find_closest_centroids ：寻找最近的质心 2.compute_centroids ：迭代重新计算质心 3.kMeans_init_centroids ：随机初始化质心 4.run_kMeans ：执行k-means算法 2.实例：使用k-means算法对图片像素进行压缩 255色压缩到1色 1.代码 2.运行结果
【吴恩达机器学习-笔记整理】k-means（k-均值聚类算法）
怪&的个人博客
08-23 834
一、应用 市场分割，社交网络分析，组织计算机集群（更好的组织数据集），银河系构成 二、k-means 如果遇到没有点的簇中心，则随机初始化两部分： 最小化J关于c的变量（找该点距离最小的簇中心） 最小化J关于u的变量 然后保持迭代 避免局部最优 k均值算法可能会收敛至不同的结果，这取决于聚类的初始化状态 初始化不好，会陷入局部最优（畸变函数J落入局部最优）： 可以初始化k均值算法多次并运行，以此来确保我们最终能得到一个足够好的结果(尽可能好的局部最优和全局最优) 聚类相对较少时，2/3/4，随机初始
吴恩达老师机器学习笔记K-means聚类算法（二）
八千鸟的博客
10-29 371
运用K-means聚类算法进行图像压缩 趁热打铁，修改之前的算法来做第二个练习—图像压缩 原始图片如下： 代码如下： X =imread('bird.png'); % 读取图片 X =im2double(X); % unit8转成double类型 [m,n,z]=size(X); X=reshape(X,m*n,z); x=zeros(m*n,z+1); x(1:m*n,1:z)=X; Z_mi...
吴恩达机器学习的python-code.rar
03-25
无监督学习中的聚类算法，如K-Means，会在Python代码中得到体现，包括数据预处理、选择合适的簇数k以及迭代优化过程。 十、深度学习框架 吴恩达的课程可能使用TensorFlow或PyTorch等深度学习框架，代码会展示如何...
吴恩达机器学习课程-作业7-K-means聚类和主成分分析（python实现）
weixin_44027820的博客
03-04 3028
Machine Learning(Andrew) ex6-Support Vector Machines 椰汁笔记 K-means Clustering 前面学习的内容都是监督学习，这将是我们学习的第一个非监督学习算法。 我们先把这个算法说清楚再说作业。 这个算法是干什么的？ 将没有标签的数据，划分成K组。通过这个算法我们可以将数据进行分类，具体可以应用到根据用户数据将用户进行分类，对各类用...
机器学习-kmeans
A8186的博客
02-11 821
K-means是一种经典的无监督学习算法，用于对数据进行聚类。K-means算法将数据集视为具有n个特征的n维空间，并尝试通过最小化簇内平方误差的总和来将数据点划分为簇。本文将介绍K-means算法的原理、实现和应用。K-means是一种无监督学习算法，用于对数据进行聚类。该算法将数据集分为K个簇，每个簇包含最接近其质心的数据点。K-means算法将数据集视为具有n个特征的n维空间，并尝试通过最小化簇内平方误差的总和来将数据点划分为簇。
机器学习 --- k-means
热门推荐
学习日常分享
06-17 1万+
k-means是属于机器学习里面的非监督学习，通常是大家接触到的第一个聚类算法，其原理非常简单，是一种典型的基于距离的聚类算法。 聚类算法中，将相似的数据划分为一个集合，一个集合称为一个簇。 k-means（k均值）聚类，之所以称为 k均值，是因为它可以发现k个簇，且每个簇的中心采用簇中所含值的均值计算而成。 本实训项目将基于Python语言搭建出一个k-means模型，并基于sklean实现对红酒数据进行聚类。 第1关：距离度量 任务描述 本关任务：使用Python编写一个能计算样本间欧式距离与曼哈顿距离
机器学习-KMeans
pcb931126的博客
01-15 407
一、 K-均值聚类算法 聚类是一种无监督学习，它将相似的对象归到同一个簇中。簇内对象越相似，聚类效果越好。K-Means算法就是其中的一种聚类算法。其实现代码如下： #1.KMeans均值聚类算法 #2.伪代码 """ 创建k个点作为起始质心（随机选择） 当任意一个点的簇分配结果发生改变时 对数据中的每个数据点 对每个...
吴恩达K-means算法
swan777的博客
05-19 427
K-Means 算法步骤 1、选择 K 个随机的点，称为聚类中心（cluster centroids） 2、把每个数据样本划分到最近的中心点那一簇； D(xi)=argmin||xi−μr||22r=1,2,...kselected 样本到哪个簇距离最小，就属于哪个簇。 3、划分完后，更新每个簇的中心，即把该簇的所有数据点的坐标加起来去平均值。求中心点距离一般采用...
机器学习之无监督学习：聚类
Mr_BigG的博客
01-22 749
前置准备 推荐安装Python3.8及以上环境，选择一款适合的开发环境，下载案例所需的实验数据（提取码：BigG），安装必备的第三方库如下图： K-means方法及应用 实现机理 K-means算法以k为参数，将n个对象分为k个簇，使得簇内具有较高的相似度，簇间的相似度较低。 K-means的处理过程如下： 1.随机选择k个点作为初始的聚类中心 2.对于剩下的点，根据每个点与聚类中心的距离，将其归入最近的簇 3.对于每个簇，计算所有点的均值作为新的聚类中心 4.重复第2、3步骤，直到聚类中心不再发生改变
机器学习之K-means（K-均值）算法
最新发布
2302_76756558的博客
08-10 1303
将一堆数据划分到不同的组中。一种无监督学习，其产生的类别是未知的。
机器学习：K-means算法（内有精彩动图）
纸上得来终觉浅
08-27 3317
K-means算法
机器学习之K-means算法
年少的勇气已经用完，剩下的就是三思而后行
06-02 1511
聚类与分类算法的最大区别在于, 分类的目标类别已知(监督学习), 而聚类的目标类别是未知的(无监督学习)。K-Means算法(K-均值算法)就是无监督算法之一，主要用于样本的聚类。其思想很简单，对于给定的样本集，按照样本与聚类中心之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连接在一起,让簇间的距离尽量的大。上图a表达了初始的数据集，假设k=2。在图b中，我们随机选择了两个k类所对应的类别质心，即图中的红色质心和蓝色质心，然后分别求样本中所有点到这两个质心的距离，并标记每个样本的类别为和该样本距
机器学习（一）—— K-means均值聚类算法
qq_45645521的博客
03-07 6263
一.K-means均值聚类算法原理 对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。 如果用数据表达式表示，假设簇划分为(C1,C2,…Ck)，则我们的目标是最小化平方误差E： 其中μi是簇Ci的均值向量，有时也称为质心，表达式为： *二.K-means均值聚类算法步骤： 数据样本间的相似性度量：欧式距离 评价聚类性能的准则函数：最小误差准则函数 输入：簇的数目k和包含n个对象的数据库 输出：k个簇，使平方误差准则最小 设置初始类别
吴恩达机器学习课程笔记-深度解析回归与模型选择
"吴恩达机器学习课程笔记包含了作者在2011年学习斯坦福大学CS229机器学习课程的个人笔记，主要基于Andrew Ng教授的讲义和视频。笔记涵盖了广泛的机器学习主题，如线性回归、逻辑回归、支持向量机(SVM)、规则化和模型...
评论
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