-
聚类（clustering）属于无监督学习（unsupervised learning）
-
无类别标记
-
在线 demo：http://syskall.com/kmeans.js
K-Means算法
-
数据挖掘十大经典算法之一
-
算法接收参数k；然后将样本点划分为k个聚类；同一聚类中的样本相似度较高；不同聚类中的样本相似度较小
算法思想：
以空间中k个样本点为中心进行聚类，对最靠近它们的样本点归类。通过迭 代的方法，逐步更新各聚类中心，直至达到最好的聚类效果
算法描述：
- 选择k个聚类的初始中心
- 在第n次迭代中，对任意一个样本点，求其到k个聚类中心的距离，将该 样本点归类到距离最小的中心所在的聚类
- 利用均值等方法更新各类的中心值
- 对所有的k个聚类中心，如果利用2,3步的迭代更新后，达到稳定，则迭代 结束。
优缺点：
-
优点：速度快，简单
-
缺点：最终结果和初始点的选择相关，容易陷入局部最优，需要给定k值
标签：迭代,中心,Means,模型,样本,算法,聚类 来源： https://www.cnblogs.com/loaderman/p/11967284.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。