2018-12-10
阅读量:
901
K-means中的K怎么理解？
我们给出了一组项目数据，包括某些特征和这些特征的值（如矢量）。任务是将这些项目分组。为此，我们将使用kMeans算法; 无监督学习算法。
概观
（如果您将项目视为n维空间中的点，将会有所帮助）。该算法将项目分类为k组相似性。为了计算这种相似性，我们将使用欧氏距离作为测量值。
该算法的工作原理如下：
- 首先，我们随机地初始化k个点，称为均值。
- 我们将每个项目分类为其最接近的平均值，并更新平均值的坐标，这是迄今为止分类的项目的平均值。
- 我们在给定次数的迭代中重复该过程，最后，我们有了我们的集群。
上面提到的“点”称为均值，因为它们包含分类在其中的项目的平均值。要初始化这些方法，我们有很多选择。一种直观的方法是初始化数据集中随机项的均值。另一种方法是在数据集边界之间的随机值初始化均值（如果对于特征x，项目具有[0,3]中的值，我们将使用[0,3]处的x值初始化均值） 。
0.0000
0
1
关注作者
收藏
评论(0)
发表评论
暂无数据
推荐帖子
CDA持证人阿涛哥
2025-05-14
0条评论
CDA持证人阿涛哥
2024-10-29
0条评论
CDA持证人阿涛哥
2024-04-14
0条评论