【十大经典数据挖掘算法】k-means
【十大经典数据挖掘算法】k-means
https://mp.weixin.qq.com/s/SWlE-KBJ4mVza92nJFX1hg
作者简介:
Treant 人工智能爱好者社区专栏作者
博客专栏:https://www.cnblogs.com/en-heng
1、引言
k-means与kNN虽然都是以k打头,但却是两类算法——kNN为监督学习中的分类算法,而k-means则是非监督学习中的聚类算法;二者相同之处:均利用近邻信息来标注类别。
聚类是数据挖掘中一种非常重要的学习流派,指将未标注的样本数据中相似的分为同一类,正所谓“物以类聚,人以群分”嘛。k-means是聚类算法中最为简单、高效的,核心思想:由用户指定k个初始质心(initial centroids),以作为聚类的类别(cluster),重复迭代直至算法收敛。
2、基本算法
在k-means算法中,用质心来表示cluster;且容易证明k-means算法收敛等同于所有质心不再发生变化。基本的k-means算法流程如下:
选取k个初始质心(作为初始cluster);
repeat:
对每个样本点,计算得到距其最近的质心,将其类别标为该质心所对应的cluster;
重新计算k个cluser对应的质心;
until 质心不再发生变化
对于欧式空间的样本数据,以平方误差和(sum of the squared error, SSE)作为聚类的目标函数,同时也可以衡量不同聚类结果好坏的指标:
下图中给出了一个通过4次迭代聚类3个cluster的例子:
k-means存在缺点:
- k-means是局部最优的,容易受到初始质心的影响;比如在下图中,因选择初始质心不恰当而造成次优的聚类结果(SSE较大):
- 同时,k值的选取也会直接影响聚类结果,最优聚类的k值应与样本数据本身的结构信息相吻合,而这种结构信息是很难去掌握,因此选取最优k值是非常困难的。
3、优化
为了解决上述存在缺点,在基本k-means的基础上发展而来二分 (bisecting) k-means,其主要思想:一个大cluster进行分裂后可以得到两个小的cluster;为了得到k个cluster,可进行k-1次分裂。算法流程如下:
初始只有一个cluster包含所有样本点;
repeat:
从待分裂的clusters中选择一个进行二元分裂,所选的cluster应使得SSE最小;
until 有k个cluster
上述算法流程中,为从待分裂的clusters中求得局部最优解,可以采取暴力方法:依次对每个待分裂的cluster进行二元分裂(bisect)以求得最优分裂。二分k-means算法聚类过程如图:
从图中,我们观察到:二分k-means算法对初始质心的选择不太敏感,因为初始时只选择一个质心。
4、参考资料
[1] Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining.
[2] Xindong Wu, Vipin Kumar, The Top Ten Algorithms in Data Mining.
【十大经典数据挖掘算法】k-means相关推荐
- 【十大经典数据挖掘算法】Naïve Bayes
[十大经典数据挖掘算法]系列 C4.5 K-Means SVM Apriori EM PageRank AdaBoost kNN Naïve Bayes CART 朴素贝叶斯(Naïve Bayes) ...
- 【十大经典数据挖掘算法】C4.5
[十大经典数据挖掘算法]系列 C4.5 K-Means SVM Apriori EM PageRank AdaBoost kNN Naïve Bayes CART 1. 决策树模型与学习 决策树(de ...
- 【十大经典数据挖掘算法】PageRank
作者简介: Treant 人工智能爱好者社区专栏作者 博客专栏:https://www.cnblogs.com/en-heng 引言 PageRank是Sergey Brin与Larry Page于1 ...
- 十大经典数据挖掘算法:SVM
作者简介: Treant 人工智能爱好者社区专栏作者 博客专栏:https://www.cnblogs.com/en-heng SVM(Support Vector Machines)是分类算法中应用 ...
- k均值例子 数据挖掘_【十大经典数据挖掘算法】k-means
作者简介: Treant 人工智能爱好者社区专栏作者 博客专栏:https://www.cnblogs.com/en-heng 1.引言 k-means与kNN虽然都是以k打头,但却是两类算法--kN ...
- 十大经典数据挖掘算法之k-means
kmeans聚类理论篇 前言 kmeans是最简单的聚类算法之一,但是运用十分广泛.最近在工作中也经常遇到这个算法.kmeans一般在数据分析前期使用,选取适当的k,将数据分类后,然后分类研究不同聚类 ...
- 技术08期:十大经典数据挖掘算法【PageRank篇】
PageRank可以较为直观的理解为是对网页重要性排序的一种算法. Googel 能在全球互联网搜索引擎中处于较高地位,该算法功不可没. 导 读 早期的搜索引擎通过计算用户查询关键词与网页内容的相关程 ...
- 【十大经典数据挖掘算法】EM
作者简介: Treant 人工智能爱好者社区专栏作者 博客专栏:https://www.cnblogs.com/en-heng 1.极大似然 极大似然(Maximum Likelihood)估计为用于 ...
- 十大经典数据挖掘算法:EM
作者简介: Treant 人工智能爱好者社区专栏作者 博客专栏:https://www.cnblogs.com/en-heng 1.极大似然 极大似然(Maximum Likelihood)估计为用于 ...
最新文章
- python字典的键可以用列表吗_python字典多键值及重复键值的使用方法(详解)
- 『创建型』简单工厂SimpleFactory、工厂方法FactoryMethod、抽象工厂AbstractFactory
- 【行业】点餐App未来必须面对的三大难题
- [USACO5.4]奶牛的电信Telecowmunication
- IDEA:No SLF4J providers were found.
- java 数组写法_java书写、数据类型、数组定义
- mysql with as 用法_Python之图解with语句
- cad在线转低版本_【设计专业干货】史上最齐全的CAD大全
- gcn语义分割_另辟蹊径,中科院自动化所等首次用图卷积网络解决语义分割难题...
- 乔布斯斯坦福大学演讲pdf_演讲能力训练方法amp;优秀的演讲视频
- Django 之 Session的简单使用
- 生成特定区间的随机数
- About scrum reports
- 微信运营必须收藏的软件工具网站合集
- 昂达 v891 连接上adb 调试
- Python验证信用卡号码是否有效
- 为什么要安全域,哪些区域需要单独划分安全域
- Summary——CrowdPose: Efficient Crowded Scenes Pose Estimation and A New Benchmark
- 用微信小程序做H5游戏尝试
- 电商平台订单交易数据分析
热门文章
- 百万奖金 !「悟道之巅」AI创新应用大赛,开幕!
- 青源LIVE第22期|旷视刘松涛:YOLOX,高性能目标检测的最新实践
- 图灵奖得主Joseph Sifakis:物联网自主系统设计的边界与风险(附视频)
- 关于Canvas的一些经验
- AD-NeRF:用于说话人头部合成的音频驱动神经辐射场
- PyTorch学习笔记——pytorch图像处理(transforms)
- ICLR 2022 || 通过邻域/度/初始特征重建的等图自编码器
- 著名统计学家David Cox去世:他提出的「COX回归模型」曾影响一代人
- 抓取了1400家科技公司的招聘信息,我发现数据工程师比数据科学家更有市场
- 知否,知否,交通数据邂逅【数据故事计划二等奖】