机器学习入门-K-means算法

标签：种类型   工作流   流程   inf   问题   机器   nbsp   height   k-means   

无监督问题，我们手里没有标签

聚类：相似的东西聚在一起

难点：如何进行调参

K-means算法 

          需要制定k值，用来获得到底有几个簇，即几种类型

          质心：均值，即向量各维取平均值

          距离的度量： 欧式距离和余弦相似度

         优化目标： min∑∑dist(ci, xi)   即每种类别的数据到该类别质心距离的之和最小

                               1-k x

根据上述的工作流程：

                     第一步：随机选择两个初始点，类别的质心点(图二)

                     第二步： 根据所选的质心点，根据欧式距离对数据进行分类(图三)

                     第三步：求得分类后的每个类别的质心(图四)

                     第四步： 根据所选的质心点，根据欧式距离对数据进行分类(图五)

                     第五步：求得分类后的每个类别的质心(图五)

                     ....  一直到分类的数据类别不发生变化为止

优势：简单，快速，适用于常规数据集，分布较为规则的数据集

劣势：

          K值难确定

          复杂度与样本数据呈线性关系

         不太适用于不规则的数据

机器学习入门-K-means算法

标签：种类型   工作流   流程   inf   问题   机器   nbsp   height   k-means   

原文地址：https://www.cnblogs.com/my-love-is-python/p/10291349.html