Kmeans聚類演算法簡介（有點枯燥）

kmeans聚類演算法優缺點

1樓：枕流說教育

優缺點如下：

1、優點。k-平均演算法是解決聚類問題的一種經典演算法，演算法簡單、快速。

對處理大資料集。

該演算法是相對可伸縮的改悔和高效率的，因為它的複雜度大約是o(nkt) o(nkt)o(nkt)，其中n是所有物件的數目，k是簇的數目，t是迭代的次數。通常k《演算法嘗試找出使平方誤差函式值最小的k個劃分。當簇是密集的、球狀或團狀的，而簇與簇之間區別明顯時，它的聚類效果很好。

2、缺點。對k值。

敏感。也就是說，k的選擇會較大程度上影響分類效果。在聚類之前，我們需要預先設定k的大小，但是我們很難確定分成幾類是最佳的，比如上面的資料集中，顯然分為2類，即k = 2最好，但是當資料量很大時，我們預先無法判斷。

對離群點和雜訊點敏感。如果在上述資料集中新增乙個噪音點，這個噪音點獨立成乙個類。很顯然，如果k=2,其餘點是一類，噪音點自成一類，原本可以區分出來的點被噪音點影響，成為了一類了。

如果k=3，噪音點也是自成一類，剩下的資料分成兩類。這說明噪音點會極大的影響其他點的分類。

聚類分析特點

聚類分析的實質：是建立一種分類方法，它能夠將一批樣本資料按照他們在性質上的親密程度在沒有先驗知識敏殲頌的情況下自動進行分類。這裡所說的類就是乙個具有相似性的個體的集合，不同類之間具有明顯的區別。

層次聚類分析是根據觀察值或變數之間的親疏程度，將最相似的物件結合在一起，以逐次聚合的方式（agglomerative clustering），它將觀察值分類，直到最後所有樣本都聚成一類。

層次聚類分析有兩種形式，一種是對樣本（個案）進行分類，稱為q型聚類；另一種是對研究物件的觀察變橋鄭量進行分類，稱為r型聚類。

kmeans聚類演算法是什麼?

2樓：熱愛生活的小斌

kmeans聚類演算法是將樣本聚類成k個簇（cluster）。

k-means演算法的思想很簡單，對於給定的樣本集，按照樣本之間的距離大小，將樣本侍雀衫集劃分為k個簇。讓簇內的點儘量緊密的連在一起，而讓簇間的距離儘量的大。在實際k-mean演算法中，我們一般會多次執行圖c和圖d，才能達到最終的比較優的類別。

用資料老腔表示式表示。

假設簇劃分為$(c_1,c_2,..c_k)$，則我們的目標歲並是最小化平方誤差e：$$e = sum\limits_^k\sum\limits_ |x-\mu_i||_2^2$$。

其中$\mu_i$是簇$c_i$的均值向量，有時也稱為質心，表示式為：$$mu_i = frac\sum\limits_x$$。

kmeans聚類演算法是什麼？

3樓：霂棪愛娛樂

k均值聚類演算法是一種迭代求解的聚類分析演算法，由於簡潔和效率使得他成為所有聚類演算法中最廣泛使用的。k均值聚類演算法悶模通過給定乙個資料點集合納罩陪和需要的聚類數目k，k由使用者指定，k均值演算法根據某個距離函式反覆把資料分入k個聚類中。

k均值聚類演算法的具體步驟：

其步驟是預將資料分為k組，則隨機選取k個物件作為初始的聚類中心，然後計算每個物件與各個種子聚類中心之間的距離，把每個物件分配給距離它最近的聚類中心。聚類中心以及分配給它們的物件就代表乙個聚類。

每分配乙個樣本，聚類的聚類中心會根據聚類中現有的物件被重新計算。這個過程將不斷重複直到滿足某個終止條件。終止條件可以是沒有（或最小數目）物件被重新分配給不同的聚類，沒有（或最小數目）聚類中心再發生變化，誤差平方洞蠢和區域性最小。