k-means算法学习1

1、聚类算法：是无监督学习的一种，训练样本的标记信息是未知的，通过训练自动形成簇，簇所对应的概念语义需要由使用者来把握和命名。
2、聚类算法的作用：可单独作为一个寻找数据内在分布结构的过程，也可作为其他学习任务的前驱过程。
3、度量聚类算法的性能：首先，聚类算法的目标是“簇内相似度”高，“簇间相似度”低。度量性能的指标有“外部指标”和“内部指标”两种，这些指标的核心思想都是计算相似度，但外部指标是聚类得到的簇与给定的簇计算相似度，内部指标是样本与聚类得到的簇之间计算相似度或者样本与样本之间的相似度。
3.1、“外部指标”是将聚类结果与给出的参考模型的簇划分进行两两配对考虑，可以计算Jaccard系数、FM指数和Rand指数。其计算结果都在0到1之间，且越大越好。
3.2、“内部指标”主要有DB指数、Dunn指数。

4、怎么度量样本与样本间的相似度？
首先样本之间的距离满足三个性质：非负性，相同样本距离为0，两边之和大于等于第三边。
其次，距离度量使用“闵科夫斯基距离”，但是它只能用于有序属性间的距离，对于无序属性用VDM来度量，它们两者的结合可以度量混合属性。

k-means算法学习1相关推荐

kmeans改进 matlab,基于距离函数的改进k―means 算法
摘要:聚类算法在自然科学和和社会科学中都有很普遍的应用,而K-means算法是聚类算法中经典的划分方法之一.但如果数据集内相邻的簇之间离散度相差较大,或者是属性分布区间相差较大,则算法的聚类效果十分有 ...
python机器学习 | K近邻算法学习（1）
K近邻算法学习 1 K近邻算法介绍 1.1算法定义 1.2算法原理 1.3算法讨论 1.3.1 K值选择 1.3.2距离计算 1.3.3 KD树 2 K近邻算法实现 2.1scikit-learn工具 ...
K近邻算法学习（KNN）
K近邻算法--KNN 机器学习--K近邻算法(KNN) 基本知识点基本原理示例关于KNN的基本问题距离如何计算? k如何定义大小? k为为什么不定义一个偶数? KNN的优缺点代码实现第一次 ...
k means算法C语言伪代码,K均值算法（K-Means）
1. K-Means算法步骤算法步骤收敛性定义,畸变函数(distortion function): 伪代码: 1) 创建k个点作为K个簇的起始质心(经常随机选择) 2) 当任意一个点的蔟分配结果 ...
KNN K近邻算法学习
KNN算法.k-nearest neighbor,或者K-近邻算法是一种经典的机器学习算法,可以完成分类和回归任务. KNN算法主要思想: 对于输入的特征X,选取与他记录最近的K个点,统计这K个点所属 ...
k均值聚类算法(K Means)及其实战案例
算法说明 K均值聚类算法其实就是根据距离来看属性,近朱者赤近墨者黑.其中K表示要聚类的数量,就是说样本要被划分成几个类别.而均值则是因为需要求得每个类别的中心点,比如一维样本的中心点一般就是求这些样本 ...
K means 图片压缩
k-means的基本原理较为清晰,这里不多赘述,本次博客主要通过基础的k means算法进行图像的压缩处理. 原理分析在彩色图像中,每个像素的大小为3字节(RGB),可以表示的颜色总数为256 * ...
09_分类算法--k近邻算法（KNN）、案例、欧氏距离、k-近邻算法API、KNeighborsClassifier、及其里面的案例（网络资料+学习资料整理笔记）
1 分类算法–k近邻算法(KNN) 定义:如果一个样本在特征空间中**k个最相似(即特征空间中最邻近)**的样本中的大多数属于某一个类别,则该样本也属于这个类别,则该样本也属于这个类别. k-近邻算法 ...
惰性学习算法 ---- k 近邻算法
惰性学习算法 ---- k 近邻算法 KNN 是惰性学习算法的典型例子.说它具有惰性不是因为它看起来简单,而是因为它仅仅对训练数据集有记忆功能,而不会从训练集中通过学习得到一个函数. 这种基于记忆 ...
k近邻算法python解读_Python3《机器学习实战》学习笔记（一）：k-近邻算法(史诗级干货长文)...
运行平台: Windows IDE: Sublime text3 一.简单k-近邻算法本文将从k-近邻 1.k-近邻法简介 k近邻法(k-nearest neighbor, k-NN)是1967年由 ...

k-means算法学习1

k-means算法学习1相关推荐

最新文章

热门文章