Kmeans聚类算法.pptx

Kmeans聚类算法.pptx

《Kmeans聚类算法.pptx》由会员分享，可在线阅读，更多相关《Kmeans聚类算法.pptx（15页珍藏版）》请在冰点文库上搜索。

KmeansKmeans聚类算法聚类算法KmeansKmeans聚类算法聚类算法Kmeans聚类算法：

K均值聚类聚类：

给事物打标签，寻找同一组内的个体之间的一些潜在的相似模式。

力图找到数据的自然分组kmeans学完Kmeans算法后，你将理解：

Kmeans算法的基本原理如何将聚类应用到现实世界的市场细分任务，例如青少年社交媒体用户的市场细分理解理解KmeansKmeans聚类算法聚类算法聚类是一种无监督的机器学习任务，它可以自动将数据划分成类cluster。

因此聚类分组不需要提前被告知所划分的组应该是什么样的。

因为我们甚至可能都不知道我们再寻找什么，所以聚类是用于知识发现而不是预测理解理解KmeansKmeans聚类算法聚类算法理解理解KmeansKmeans聚类算法聚类算法聚类原则是一个组内的记录彼此必须非常相似，而与该组之外的记录截然不同。

所有聚类做的就是遍历所有数据然后找到这些相似性理解理解KmeansKmeans聚类算法聚类算法使用距离来分配和更新类理解理解KmeansKmeans聚类算法聚类算法使用距离来分配和更新类理解理解KmeansKmeans聚类算法聚类算法理解理解KmeansKmeans聚类算法聚类算法探究距离测度探究距离测度欧氏距离测度（EuclideanDistanceMeasure）平方欧氏距离测度（SquaredEuclideanDistanceMeasure）曼哈顿距离测度（ManhattanDistanceMeasure）图中红线代表曼哈顿距离，绿色代表欧氏距离，也就是直线距离，而蓝色和黄色代表等价的曼哈顿距离。

曼哈顿距离两点在南北方向上的距离加上在东西方向上的距离，即d（i，j）=|xi-xj|+|yi-yj|。

对于一个具有正南正北、正东正西方向规则布局的城镇街道，从一点到达另一点的距离正是在南北方向上旅行的距离加上在东西方向上旅行的距离，因此，曼哈顿距离又称为出租车距离探究距离测度探究距离测度余弦距离测度（CosineDistanceMeasure）谷本距离测度（TanimotoDistanceMeasure）同时表现夹角和距离的距离测度加权距离测度（WeightedDistanceMeasure）选择适当的聚类数选择适当的聚类数肘部法聚类：

类与类之间的差异很大，类内部样本相似度很高KmeansKmeans算法思想以总结算法思想以总结算法思想：

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，直到得到最好的聚类结果算法流程总结：

1、适当选择k个类的初始中心2、对任意一个样本，求其到各类中心的距离，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每个聚类的中心值4、重复2,3的迭代，直到k个中心点值保持不变，则迭代结束，否则继续迭代Kmeans算法的缺陷算法的缺陷聚类中心的个数K需要事先给定，但在实际中这个K值的选定是非常难以估计的，很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适Kmeans需要人为地确定初始聚类中心，不同的初始聚类中心可能导致完全不同的聚类结果。

（可以使用Kmeans+算法来解决）Kmeans+算法的算法的介绍介绍从输入的数据点集合中随机选择一个点作为第一个聚类中心对于数据集中的每一个点x，计算它与最近聚类中心（指已选择的聚类中心）的距离D（x）选择一个新的数据点作为新的聚类中心，选择的原则是：

D（x）较大的点，被选取作为聚类中心的概率较大重复2和3直到k个聚类中心被选出来利用这k个初始的聚类中心来运行标准的k-means算法