本文介绍了K-means聚类算法的工作原理，包括初始化聚类中心、计算样本距离、按照最近原则进行聚类直到收敛。虽然算法简单且收敛快，但可能选出的代表点不够理想，且不适合处理大规模数据。通过一个明显的二分类样本集例子展示了K-means聚类的效果，并提供了MATLAB代码实现。
K - means cluster
1.K均值聚类（迭代算法）：
3.优缺点：
- C_center：初始化K个聚类中心
- 计算样本集合到C_center的距离（本例使用欧几里德距离）
- 按照最近原则进行聚类，如果聚类中心不发生改变，结束
- 如果发生改变，得到新的聚类中心->C_center，重复直到收敛
3.优缺点：
- 算法简单，收敛
- 选出的每类代表可能并不具有代表性，算法需要进行多次迭代，把所有的数据读入内存中，大量数据可能不适用
4.样例：
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
