• 网站首页
• 网站建设
• 短视频
• 网站推广
• 网站模板
• 客户案例
• 资讯动态
• 关于我们

机器学习之聚类分析_python

当前位置：网站建设 > 技术支持

机器学习之聚类分析？

本文内容主要包括聚类分析介绍，原理和案例实践。

聚类分析也称无监督学习， 因为和分类学习相比，聚类的样本没有标记，需要由聚类学习算法来自动确定。聚类分析是研究如何在没有训练的条件下把样本划分为若干类。

K-means聚类算法是最为经典也是使用最为广泛的一种基于划分的聚类算法，它属于基于距离的聚类算法。

所谓基于距离的聚类算法是指采用距离作为相似性量度的评价指标，也就是说当两个对象离得近时，两者之间的距离比较小，那么它们之间的相似性就比较大。这类算法通常是由距离比较相近的对象组成簇，把得到紧凑而且独立的簇作为最终目标，因此将这类算法称为基于距离的聚类算法。K-means聚类算法就是其中比较经典的一种算法。

K-means算法，也被称为K-平均或K-均值算法，它是将各个聚类子集内的所有数据样本的均值作为该聚类的代表点，算法的主要思想是通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优（误差平方和准则函数E），从而使生成的每个聚类（又称簇）内紧凑，类间独立。

输入：初始数据集和簇(聚类)的数目K。

输出：K个簇，满足误差平方和准则函数收敛。

算法步骤：

1）任意选择K个数据对象作为初始聚类中心；

2）将样本集中的样本按照最小距离原则分配到最邻近聚类中心；

3）使用得到的每个聚类中的样本均值作为新的聚类中心；

4）重复步骤2和3直到聚类中心不再变化，或者是直到误差平方和准则函数收敛，即|E(K+1)-E(K)|<e；

5）结束，得到K个聚类。

初始数据集，共5条记录，每条数据记录包含两个属性x和y。

作为一个聚类分析的二维样本，要求的簇的数量K=2，聚类过程和示意图如下所示。

版权说明：
本网站凡注明“广州京杭 原创”的皆为本站原创文章，如需转载请注明出处！
本网转载皆注明出处，遵循行业规范，如发现作品内容版权或其它问题的，请与我们联系处理！
欢迎扫描右侧微信二维码与我们联系。