k均值聚类算法考试例题_K-均值法计算示例(示例)
B到两个类的平均距离
类
B1
B2
AB
9
31
CDE
28
13
A到两个类的平均距离
B到两个类的平均距离
D到两个类的平均距离
E到两个类的平均距离
结论:所有像元不再重新分类
A
B
C
D
E
AB
2
2
338
882
890
CDE
613
761
61
13
17
D
2
(D,CDE)=(30-
28
)
2
+(10-
13
)
2
=
13
D
2
(E,CDE)=(32-28)
2
+(12-13)
2
=
17
像元
D到两个类的平均距离
D
2
(E,ABC)=(32-13)
2
+(12-27)
2
=586
D
2
(D,ABC)=(30-13)
2
+(10-27)
2
=578
波段
(1)确定类别数为2(ABC,DE),计算两个类的中心坐标
类中心坐标
(2)计算每个像元到类中心的欧氏距离,并将每个像元重新分配给最近的一类。若类中像元
D
2
(A,ABC)=(10-13)
2
+(30-27)
2
=
18
D
2
(A,DE)=(10-31)
2
+(30-11)
2
=802
D
2
(B,ABC)=(8-13)
2
+(32-27)
2
=
50
D
2
(B,DE)=(8-31)
2
+(32-11)
2
=970
各类平均距离汇总
重复步骤1、2;
D
2
(D,AB)=(30-
9
)
2
+(10-
31
)
2
=882
D
2
(E,AB)=(32-9)
2
+(12-31)
2
=890
D
2
(A,CDE)=(10-
28
)
2
+(30-
13
)
2
=613
D
2
(D,DE)=(30-31)
2
+(10-11)
2
=
2
D
2
(A,AB)=(10-
9
)
2
+(30-
31
)
2
=
2
D
2
(B,AB)=(8-9)
2
+(32-31)
2
=
2
D
2
(E,DE)=(32-31)
2
+(12-11)
2
=
2
结论1:C应重新分配到DE所在类
D
2
(B,CDE)=(8-28)
2
+(32-13)
2
=761
新的类中心坐标
E到两个类的平均距离
k均值聚类算法考试例题_K-均值法计算示例(示例)相关推荐
- k均值聚类算法考试例题_k means聚类算法实例
所谓聚类问题,就是给定一个元素集合D,其中每个元素具有n个可观察属性,使用某种算法将D划分成k个子集,要求每个子集内部的元素之间相异度尽可能低,而不同子集的元素相异度尽可能高.其中每个子集叫做一个簇. ...
- k均值聚类算法考试例题_K-均值聚类法实例解析
例: 为了更深入了解我国环境的污染程度状况,现利用 2009 年数据对全国 31 个省.自治区. 直辖市进行聚类分析. 解: 现在要分析我国各个地区的环境污染程度, 案例中选择了各地区 "工 ...
- k均值聚类算法考试例题_一文读懂K-means聚类算法
1.引言 什么是聚类?我们通常说,机器学习任务可以分为两类,一类是监督学习,一类是无监督学习.监督学习:训练集有明确标签,监督学习就是寻找问题(又称输入.特征.自变量)与标签(又称输出.目标.因变量) ...
- k均值聚类算法考试例题_KMeans (K均值)算法讲解及实现
算法原理 KMeans算法是典型的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大.该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标 ...
- python(scikit-learn)实现k均值聚类算法
k均值聚类算法原理详解 示例为链接中的例题 直接调用python机器学习的库scikit-learn中k均值算法的相关方法 from sklearn.cluster import KMeans imp ...
- 【模式识别】K均值聚类算法应用实验报告及MATLAB仿真
一. 实验目的 1.掌握K均值聚类算法的原理和实现过程: 2.掌握K均值聚类算法的应用方法. 二. 实验内容 1.彩色图像分割 选择一幅图像,分别按三种颜色数进行彩色图像分割的结果(原图和分割图).步 ...
- k均值聚类算法优缺点_Grasshopper实现K均值聚类算法
本文很长很长,有很多很多图,包含以下部分: 1.算法简介 2.如何分类平面点 3.如何分类空间点 4.如何分类多维数据 5.后记 提醒:以下内容包括:智障操作,无中生友,重复造轮子 等 1.算法简介 ...
- K-Means(K均值聚类算法)
K-Means(K均值聚类算法) 1.前言 要学习聚类算法就要知道聚类学习算法是什么,为什么要学习聚类学习聚类学习算法,有什么用途,下面就简单的做一下介绍,并且详细的说明k-means均值聚类学习算法 ...
- K均值聚类算法(HCM,K-Means)
K均值聚类核心思想如下: 算法把n个向量分为个组,并求每组的聚类中心,使得非相似性(或距离)指标的价值函数(或目标函数)达到最小.当选择欧几里德距离为组j中向量与相应聚类中心间的非相似性指标时,价值函 ...
最新文章
- 5行Python提取海量新闻网站内容
- 机器智能公司一览图 | 36氪
- null在java存在的意义何在,Java并发编程——volatile关键字
- centos mate桌面_CentOS 7安装桌面汇总
- MFC的来龙去脉-----消息处理,找处理函数
- qt在加入Q_OBJECT宏之后出现编译错误
- Math类的三个方法比较: floor() ceil() round()
- 输入身高、体重、性别,判断是否是标准体重,男性标准=(身高-100)+-3,女性标准=(身高-110)+-3...
- 对字典转模型模块的理解
- 记录一次手机联系人整理(XML文件格式处理)
- java equals() output_Java中的==和equals
- vue项目设置ip访问
- 2008年8月25号,星期一,晴。天将降大任于是人也,必先苦其心志,劳其筋骨,饿其体肤,空乏其身,行拂乱其所为。
- Ubuntu 16.04升级Openssh7.8p1
- 微信小程序实现天气预报功能(支持自动定位)(附源码)
- 【TouchDesigner】Feedback的应用NO.3
- 折线迷你图怎么设置_Excel2013如何使用迷你图展示数据?
- 比尔盖茨在1974年时候的简历
- 攻防世界 pwn forgot
- 《论语》原文及其全文翻译 学而篇11
热门文章
- 【期末复习】多媒体技术
- 普通话测试软件测试成绩很差,普通话测试成绩的差异性分析
- wind10MySQL闪退什么密码_小编调解技术编辑应对win10系统Mysql输入密码后闪退的操作办法的解决教程...
- 7-44 莫尔斯码(Morse Code) (15分)
- 知识付费存在的问题及未来的发展
- 关于APP下架的问题
- 小米10s哈曼卡顿设置方法分享
- 中科创达怎么样-是外包公司吗-智能网联汽车和智能物联网推动业务快速增长
- 道金斯科普三部曲_道金斯在神的物体上
- loh4j整合flume(log4jsource)