急求 k Means聚類演算法實現

1樓：

k-means演算法:

k-means 演算法接受輸入量 k ；然後將n個資料物件劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的物件相似度較高；而不同聚類中的物件相似度較小。聚類相似度是利用各聚類中物件的均值所獲得一個「中心物件」（引力中心）來進行計算的。

k-means 演算法的工作過程說明如下：首先從n個資料物件任意選擇 k 個物件作為初始聚類中心；而對於所剩下其它物件，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然後再計算每個所獲新聚類的聚類中心（該聚類中所有物件的均值）；不斷重複這一過程直到標準測度函式開始收斂為止。一般都採用均方差作為標準測度函式.

k個聚類具有以下特點：各聚類本身儘可能的緊湊，而各聚類之間儘可能的分開。

具體如下：

輸入：k, data[n];

（1）選擇k個初始中心點，例如c[0]=data[0],…c[k-1]=data[k-1];

（2）對於data[0]….data[n], 分別與c[0]…c[n-1]比較，假定與c[i]差值最少，就標記為i;

（3）對於所有標記為i點，重新計算c[i]=/標記為i的個數；

（4）重複(2)(3),直到所有c[i]值的變化小於給定閾值。

演算法實現起來應該很容易，就不幫你編寫**了。

2樓：自由的菜鳥

什麼是 k-means 聚類演算法？

從網上找到了很多定義，這裡選取比較典型的幾個；

k-mean 分群法是一種分割式分群方法，其主要目標是要在大量高緯的資料點中找出

具有代表性的資料點；這些資料點可以稱為群中心，代表點；然後再根據這些

群中心，進行後續的處理，這些處理可以包含

1 ）資料壓縮：以少數的資料點來代表大量的資料，達到資料壓縮的功能；

2 ）資料分類：以少數代表點來代表特點類別的資料，可以降低資料量及計算量；

需要程式的話我發給你，太長了

k-means聚類演算法原理是怎麼樣的？

3樓：匿名使用者

k-means 演算法接受引數 k

；然後將事先輸入的n個資料物件劃分為

k個聚類以便使得所獲得的聚類滿足：同一聚類中的物件相似度較高；而不同聚類中的物件相似度較小。聚類相似度是利用各聚類中物件的均值所獲得一個「中心對

象」（引力中心）來進行計算的。

k-means演算法是最為經典的基於劃分的聚類方法，是十大經典資料探勘演算法之一。k-means演算法的基本思想是：以空間中k個點為中心進行聚類，對最靠近他們的物件歸類。

通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結果。

假設要把樣本集分為c個類別，演算法描述如下：

（1）適當選擇c個類的初始中心；

（2）在第k次迭代中，對任意一個樣本，求其到c箇中心的距離，將該樣本歸到距離最短的中心所在的類；

（3）利用均值等方法更新該類的中心值；

（4）對於所有的c個聚類中心，如果利用（2）（3）的迭代法更新後，值保持不變，則迭代結束，否則繼續迭代。

該演算法的最大優勢在於簡潔和快速。演算法的關鍵在於初始中心的選擇和距離公式。

k-means聚類演算法python實現，匯入的資料集有什麼要求

4樓：匿名使用者

一，k-means聚類演算法原理

k-means 演算法接受引數 k

；然後將事先輸入的n個資料物件劃分為

象」（引力中心）來進行計算的。

通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結果。

k-means聚類演算法中相似中心怎麼計算的

5樓：雙庚的乳酪

每個特徵點都與各個中心點算距離，再比較哪個最近。最簡單就是用歐氏距離。

急求 k Means聚類演算法實現

k means聚類演算法原理是怎麼樣的

kmeans演算法用Python怎麼實現

24點遊戲的巧妙演算法,高分急求

其他用戶還看了：