聚类(Clustering) - K-means算法 - 理论详解实战

一、Kmeans算法计算过程理论讲解

1. 归类: 

          聚类(clustering) 属于非监督学习 (unsupervised learning)
          无类别标记(class label)

2. 举例:

聚类(Clustering)  -  K-means算法 - 理论详解实战
          
3. K-means 算法:

     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,对最靠近他们的对象归类。通过迭代的方法,逐次更新各聚类中心     
           的值,直至得到最好的聚类结果
     3.4 算法描述:
          
          (1)适当选择c个类的初始中心;
          (2)在第k次迭代中,对任意一个样本,求其到c各中心的距离,将该样本归到距离最短的中心所在     
                  的类;
          (3)利用均值等方法更新该类的中心值;
          (4)对于所有的c个聚类中心,如果利用(2)(3)的迭代法更新后,值保持不变,则迭代结束,
                   否则继续迭代。
     3.5 算法流程:
          
          输入:k, data[n];
          (1) 选择k个初始中心点,例如c[0]=data[0],…c[k-1]=data[k-1];
          (2) 对于data[0]….data[n], 分别与c[0]…c[k-1]比较,假定与c[i]差值最少,就标记为i;
          (3) 对于所有标记为i点,重新计算c[i]={ 所有标记为i的data[j]之和}/标记为i的个数;
          (4) 重复(2)(3),直到所有c[i]值的变化小于给定阈值。

4. 举例:

聚类(Clustering)  -  K-means算法 - 理论详解实战

聚类(Clustering)  -  K-means算法 - 理论详解实战

聚类(Clustering)  -  K-means算法 - 理论详解实战

聚类(Clustering)  -  K-means算法 - 理论详解实战

聚类(Clustering)  -  K-means算法 - 理论详解实战

聚类(Clustering)  -  K-means算法 - 理论详解实战

           聚类(Clustering)  -  K-means算法 - 理论详解实战

 

聚类(Clustering)  -  K-means算法 - 理论详解实战

聚类(Clustering)  -  K-means算法 - 理论详解实战

聚类(Clustering)  -  K-means算法 - 理论详解实战

聚类(Clustering)  -  K-means算法 - 理论详解实战

聚类(Clustering)  -  K-means算法 - 理论详解实战

聚类(Clustering)  -  K-means算法 - 理论详解实战

聚类(Clustering)  -  K-means算法 - 理论详解实战

               停止

       
优点:速度快,简单
缺点:最终结果跟初始点选择相关,容易陷入局部最优,需直到k值
  Reference:    http://croce.ggf.br/dados/K%20mean%20Clustering1.pdf    
          

上一篇:机器学习-聚类-k-Means算法


下一篇:《数据挖掘导论》实验课——实验七、数据挖掘之K-means聚类算法