一、K-means

1、概念

无监督学习：没有目标值（没有标签）。

（聚类一般在分类之前，没有目标值的时候使用聚类）

采用迭代式的算法，直观易懂且实用。

缺点：容易受到局部最优解（避免：多次聚类，取多次聚类中心）。

最优解：k个中心点挤在一起。

例：对这些人物的分类，没有目标值，就是无监督学习。

2、过程

例：对该无规则点图片进行分类，无监督学习分成3个区域（无目标值）：

1、先选择K个特征点作为特征中心；（这里分成3堆，3个特征点）

2、分别计算每个点到K个聚类中心的距离，选择最近的一个中心，标记类别与其一致；

3、接着对着标记的聚类中心之后，重新计算出每个聚类的新中心点（平均值)；

4、如果计算得出的新中心点与原中心点一样，那么结束，否则重新进行第2步过程。

求解中心点：

3、API（K-means）

二、K-means性能评估

1、轮廓系数

ai：内部距离；

bi：外部距离。

轮廓系数分析：

效果好的指标：高内聚，低耦合。（内部聚合，外部分开）

可以看出：

轮廓系数Sc =1时，聚类效果最好（bi>>ai，即外部距离远大于内部距离）；

轮廓系数Sc=-1时，聚类效果最差（bi<<ai，即外部距离远小于内部距离）。

2、API（轮廓系数）

机器学习（17）无监督学习 -- K-means算法与性能评估相关推荐

机器学习之无监督学习-K均值聚类算法
机器学习之无监督学习-K均值聚类算法对于无监督学习,有两类重要的应用,一个是聚类,一个是降维.我们今天主要学习聚类中的K均值聚类. 我们先看看下图,图a为原始的数据点,我们想要对图a的数据点进行分类 ...
入门机器学习(十五)--无监督学习(K均值)
1.无监督学习-简介(Unsupervised Learning-Introduction) 如下图所示是一个典型的监督学习,训练集中的每一个样本都有标签,我们需要根据标签来拟合一个假设函数. 什么是 ...
Python 机器学习实战 —— 无监督学习（下）
前言在上篇< Python 机器学习实战 -- 无监督学习(上)>介绍了数据集变换中最常见的 PCA 主成分分析.NMF 非负矩阵分解等无监督模型,举例说明使用使用非监督模型对多维度特征 ...
Python 机器学习实战 —— 无监督学习（上）
前言在上篇<Python 机器学习实战 -- 监督学习>介绍了支持向量机.k近邻.朴素贝叶斯分类 .决策树.决策树集成等多种模型,这篇文章将为大家介绍一下无监督学习的使用. 无 ...
机器学习之无监督学习——聚类
机器学习之无监督学习--聚类无监督学习一.基于划分的聚类方法 1.基于划分的方法简介 A.概念 B.分组 C.分组与样本对应关系 D.硬聚类与软聚类二.基于层次的聚类方法 1.基于层次的 ...
无监督学习--K-means聚类算法学习
无监督学习–K-means聚类算法学习介绍:k-means算法以k为参数,把n个对象分成k个簇,使簇内具有较高的相似度,而簇间的相似度比较低. 其处理过程如下: 1.随机选择k个点作为初始的聚类中心 ...
无监督学习之Kmeans算法
Kmeans算法 1.算法区别 1.1.无监督学习与聚类算法理论的区别 1.2.聚类和分类算法的区别 2.Kmeans算法原理 2.1算法属性含义 2.2 算法结果预测 2.3 `Kmeans`有损失 ...
【机器学习】无监督学习
[机器学习]无监督学习 https://mp.weixin.qq.com/s/NV84o6Jd_z8evjq05n2jzA 作者:水奈樾人工智能爱好者博客专栏:http://www.cnblog ...
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 ...

机器学习（17）无监督学习 -- K-means算法与性能评估