- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
K-means算法总结
K-means 算法总结及c++编程实现
/*
*@author:郑海波 zhb931706659@126.com
*/nuptboyzhb/
*参考:斯坦福大学 machine learning
*/
算法描述:
k-means 算法是无监督学习算法,它是将给定的训练数据集合{x , x , x ,..., x }进
1 2 3 n
行分类,分成多个“簇”(clusters) 。因为没有给出输入x 下的y ,也即是对于输
i i
入的值没有标定输出时多少,所以这个一个无监督学习算法。
算法步骤:
k-means 算法当中的k 的意思是分成k 个“簇”, μ 表示第j 个簇的中心。为了
j
初始化μ ,我们可以随机选择。循环内部可以分为2 步:
j
第一步:计算训练集合中Xi 离哪一个μ 最近就将其暂时归类到μ 。
j j
第二步:计算归类到μ 的所有元素的中心点,并更新μ 。
j j
收敛:μ 的每一个元素不在随着迭代的进行而改变。
j
算法的损失函数:
m 2
i
J (c,μ) x( ) =−μ
∑ c(i)
i 1
其中公式里的范数可以理解为向量的2 范数。K-means 算法实际上是对损失函数
进行坐标上升算法的结果。所有,算法肯定收敛。
迭代的示意图:
注意:
问题1:K 值选取问题
K 的选取通常是我们的目标,也就是说,我们要将这队数据分为几类。因此,是
相对明确的。
问题2 :初始值的选取问题
初始值的选取对于迭代的结果有较大的影响,选取不当,会出现所有点都归为一
类的情况。一个通常的解决方案是:随机选取多组初始值进行分类,选取损失函
数最小的分类结果。
编程举例:
将如下三维空间的点进行k-means 分类:
[input.txt]
1.0 , 5.7 , 2.8
4.5 , 5.2 , -0.3
-0.9 , 8.1 , 1.4
0.5 , 6.6 , 2.3
3.5 , 4.7 , 0.2
4.7 , 5.9 , -1
5.1 , 8.2 , 0.9
2.1 , 7.4 , 3.0
0.6 , 6.5 , 3.8
在三维空间的图及k-means 分类的结果
K-means 算法的c++实现代码:
#include iostream
#include fstream
#include cmath
#include vector
#define dim 3//输入特征x 的维数
#define K 2//分类的个
文档评论(0)