K-means聚类

最新推荐文章于 2025-05-09 12:49:09 发布
原创 最新推荐文章于 2025-05-09 12:49:09 发布 · 311 阅读 · 0 ·
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 #聚类算法 #聚类

本文详细介绍了K-means聚类算法的工作原理，包括初始化类中心、计算距离并分配样本、更新类中心等步骤。同时，探讨了该算法的优点如直观易懂且实用，以及存在的缺点如容易收敛到局部最优解。最后提到了K-means算法在分类前的数据预处理作用。

聚类

假设有m个数据，把数据分为n个类别。
在这里插入图片描述

1，随机抽取三个样本，把三个样本当作三个类别的中心点（k1,k2,k3）。
2，计算其余数据到三个样本中心点的距离，选出最近的一个距离，作为标记，形成三个族群。
3，分别计算三个族群的平均值（所有数据距离相加的平均值），与其三个样本中心点比较，如果相同结束聚类；如果不相同，把三个平均值作为新的中心点，重复第二步。

K-means API

sklearn.cluster.KMeans
在这里插入图片描述

在这里插入图片描述

性能评估指标API

sklearn.metrics.silhouette_score

在这里插入图片描述

优点 ：才有迭代式算法，直观易懂并且非常实用
缺点 ： 容易收敛到局部最优解（多次聚类）
聚类一般做在分类之前
【机器学习-14】K-means聚类算法：原理、应用与优化
qq_38614074的博客
04-07 10万+
在众多聚类算法中，K-means算法因其简单高效而备受青睐。K-means算法的基本思想是：通过迭代的方式，将数据划分为K个不同的簇，并使得每个数据点与其所属簇的质心（或称为中心点、均值点）之间的距离之和最小。具体来说，K-means算法的执行过程通常包括以下几个步骤：首先，随机选择K个数据点作为初始的簇质心；然后，根据每个数据点与各个簇质心的距离，将其分配给最近的簇；接着，重新计算每个簇的质心，即取簇内所有数据点的平均值作为新的质心；
算法模型——K-Means聚类
森谷蘑的博客
12-22 1714
K-Means 聚类 K-Means聚类一般于根据群体的某些标签值或某些属性，对群体进行分组。 1. 聚类与分类 聚类与分类最大的区别就是，聚类就是在未知分类规则的情况下对样本集进行分群，分类就是在特征空间中用已知的规则对样本进行判别或者预测。 分类：分类其实是从特定的数据中挖掘模式，作出判断的过程。比如Gmail邮箱里有垃圾邮件分类器，一开始的时候可能什么都不过滤，在日常使用过程中，我人工对于每一封邮件点选“垃圾”或“不是垃圾”，过一段时间，Gmail就体现出一定的智能，能够自动过滤掉一些垃圾邮件了。这是
机器学习算法-kmeans 聚类算法一
健康平安的活着的专栏
02-18 1393
1.1k-means算法的步骤 假设k=3，要分3个群体 随机在数据当中抽取3个样本，当作三个类别的中心点（k1，k2，k3） 计算其余的点分别到这3个中心点的距离，每一个样本有3个距离（a,b,c）,从中选出距离最近的一个点作为自己的标记形成3个族群。 分别计算这3个族群的平均值，把3个平均值与之前的3个旧中心点进行比较 如果相同，结束聚类，算法收敛。 如果不相同：把这3个平均值当做...
K-means聚类算法第5关：组合已实现的函数完成K-means算法
Online_Yan的博客
12-19 2095
K-means聚类算法-组合已实现的函数完成K-means算法
sklearn Kmeans
nendie1的博客
03-29 2926
Kmeans Kmeans属于无监督学习 对输入样本不断地迭代 计算出最佳质心 步骤 1、随机选定k个样本作为质心 2、开始循环 2.1、将各个样本点分配到离它们最近的质心，生成k个簇 2.2、对于每个簇，计算所有被分到该处的样本点的平均值作为新的质心 3、当质心位置不再变化时，迭代停止，完成聚类。 簇内误差的定义 i 表示每个样本的第i个特征 x表示样本 μ表示质心 欧几里得距离 d = 根号∑(xi-μi)^2 曼哈顿距离 d = ∑|xi-μi| 欧几里得距离是类似于勾股定理 求两点之间的最短距离（直
sklearn之kmeans
weixin_45580742的博客
02-25 1646
Kmeans工作原理 sklearn.cluster.KMeans 1.参数n_clusters n_clusters是KMeans中的k，表示着我们告诉模型我们要分几类。这是KMeans当中唯一一个必填的参数，默认为8类，当我们拿到一个数据集，如果可能的话，我们希望能够通过绘图先观察一下这个数据集的数据分布，以此来为我们聚类时输入的n_clusters做一个参考。 2.参数init &...
精选资源
Python源码-数据分析-客户细分 —— k-means 聚类分析.zip
最新发布
05-25
k-means聚类是一种无监督学习算法，主要用于将数据集中的数据点划分为多个类别，或者称为“簇”。它的目标是使簇内的数据点之间的差异最小化，同时让不同簇之间的差异最大化。k-means算法的核心思想是随机选择k个点...
基于k-means聚类方法和DTW算法结合起来分析时间序列类型的用户用电数据源码+项目说明.zip
05-31
传统K-means聚类方法使用欧氏距离进行分类的依据，无法处理长短不一的时间序列数据。基于DTW距离的时间序列聚类算法，与传统的k-means算法相比，能够处理非线性对齐的时间序列，因此适用于更广泛的应用领域。 实验 ...
精选资源
基于K-means聚类算法的图像分割(MATLAB实现).rar_ASV聚类_K-Means图像分割_k means_rest
07-14
《基于K-means聚类算法的图像分割在MATLAB中的实现》 图像分割是计算机视觉领域中的基础任务，它旨在将图像划分为多个区域或对象，每个区域具有相似的特征。K-means聚类算法是一种广泛应用的数据分析方法，它通过...
聚类算法：K-means聚类图像分割
12-22
1 K-Means聚类 K-Means聚类是最常用的聚类算法，最初起源于信号处理，其目标是将数据点划分为K个类簇，找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解，运算速度较快，缺点是只能应用于连续型...
机器学习（十二）：聚类（Clustering）K-means算法
qq_45802081的博客
11-09 395
常用聚类算法总结 1、 聚类(clustering) ： 属于非监督学习 (unsupervised learning)。 无类别标记(class label)。 2、举例： 3、K-means 算法： K-means原理讲解 3.1 Clustering 中的经典算法，数据挖掘十大经典算法之一。 3.2 算法接受参数 k ；然后将事先输入的n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。 3.3 算法思想： 以空间中k个点为中心进行聚类，对
聚类算法(K-means聚类算法)
weixin_33895516的博客
05-13 308
在数据分析挖掘过程中常用的聚类算法有1.K-Means聚类,2.K-中心点,3.系统聚类. 1.K-均值聚类在最小误差基础上将数据划分为预定的类数K(采用距离作为相似性的评价指标).每次都要遍历数据,所以大数据速度慢 2.k-中心点,不采用K-means中的平均值作为簇中心点,而是选中距离平均值最近的点最为簇中心点. 3.系统聚类又叫多层次聚类,分类是由高到低(可以想象下二叉树这种结构),越...
sklearn聚类之—KMeans
qq_16953611的博客
09-14 7714
                                        sklearn聚类之—KMeans 未标记的数据的Clustering(聚类)，可以是使用模块sklearn.cluster来实现 每个clustering algorithm（聚类算法）有两个变体：一个是class，他实现了fit的方法来学习训练数据的cluster，还有一个函数，是给定训练数据，返回与不同的cl...
Sklearn之KMeans算法
热门推荐
guihenao4010的博客
12-21 3万+
K-Means算法原理 K-means的优缺点 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.时间复杂度近于线性，而且适合挖掘大规模数据集。K-Means聚类算法的时间复杂度是O(n×k×t) ,其中n代表数据集中对象的数量，t代表着算法迭代的次数，k代表着簇的数目 缺点： 1、在k-measn算法中K是事先给定的，但是K值的选定是非常难以估计的。 2、在 K-...
sklearn中的KMeans算法
好好学习,天天向上的博客
08-09 1万+
1、聚类算法又叫做**“无监督分类”**，其目的是将数据划分成有意义或有用的组（或簇）。这种划分可以基于我们的业务需求或建模需求来完成，也可以单纯地帮助我们探索数据的自然结构和分布。 2、KMeans算法将一组N个样本的特征矩阵X划分为K个无交集的簇，直观上来看是簇是一组一组聚集在一起的数据，在一个簇中的数据就认为是同一类。簇就是聚类的结果表现。簇中所有数据的均值通常被称为这个簇的**“质心”**...
sklearn聚类算法之Kmeans
qq_45448654的博客
10-19 9437
基本思想 K-Means聚类是最常见的一种聚类算法。在K-Means聚类中，算法试图把观察值分到k个组中，每个组的方差都差不多。分组的数量k是用户设置的一个超参数。具体来讲，K-Means算有如下几个步骤： 随机创建k个分组（即cluster）的“中心“点 对于每个观察值： (1) 算出每个观察值和这k个中心点之间的距离 (2) 将观察值指派到离它最近的中心点的分组 将中心点移动到相应分组的点的平均值位置 重复步骤2和3，直到没有观察值需要改变它的分组。这时算法就被认为已经收敛，而且可以停止
《Sklearn 机器学习模型--分类模型》--K-means 聚类（K-means clustering algorithm）
m0_71002812的博客
05-09 1247
K-means 聚类算法是一种基于划分的无监督学习算法，通过迭代优化将数据划分为指定簇数（K 值），使同一簇内样本相似度最大化、簇间差异最大化。其核心原理是最小化样本到所属簇心的平方误差和（SSE），实现步骤包括初始化、分配样本、更新中心和终止条件。K-means 算法实现简单、计算效率高，适合大规模数据集处理，且结果直观易解释。然而，它需要预先指定 K 值，对初始中心敏感，易陷入局部最优，且仅适用于凸形数据分布。典型应用场景包括工业设备检测、能源优化调度和通用数据分组（如图像分割、用户分群和异常检测）。改
sklearn入门——聚类算法KMeans
weixin_47037146的博客
11-11 4965
概述 聚类算法是无监督学习的代表算法之一，也叫“无监督分类”。目的是将数据分为若干有意义或有用的组，通常根据实际需求来进行划分。聚类可以用于降维和矢量量化（vectorquantization），可以将高维特征压缩到一列当中，常常用于图像，声音，视频等非结构化数据，可以大幅度压缩数据量。核心是将数据分为多个组，探索每个组的数据是否有联系。 KMeans的工作原理 簇与质心 KMeans将数据划分称若干个无交集的簇，每个簇就是一个一组聚集在一起的数据集，在一个簇中的数据视为同一类，簇是聚类的结果体现。 质心就
机器学习之K-Means聚类
qq_41359817的博客
09-16 487
1.聚类 聚类：简而言之就是物以类聚，与分类不同的是，对目标是未知的。它是一种无监督的学习(Unsupervised Learning)方法，不需要预先标注好的训练集。 分类：目标类别已知，对数据进行归类。 2.K-Means 算法 kmeans算法又名k均值算法。其算法思想大致为：先从样本集中随机选取 k个样本作为簇中心，并计算所有样本与这 k个“簇中心”的距离，对于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中，对于新的簇计算各个簇的新的“簇中心”。    根据以上描述，我们大致可以猜测到实现
理解K-means聚类算法
"k-means聚类讲解" k-means聚类是一种广泛应用的无监督学习算法，主要用于数据的分组或分类。它通过寻找数据集中自然存在的结构，将相似的数据点聚集到一起，形成所谓的“簇”（clusters）。在这个过程中，用户需要...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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