第7课聚烙豚算法2 .pptVIP

5.4（3） 分解聚类 分解聚类：把全部样本作为一类，然后根据相似性、相邻性分解。 目标函数 两类均值方差 分解聚类框图： 对分算法：略 例：已知21个样本，每个样本取二个特征，原始资料矩阵如下表： 2、分别计算当 划入 然后再把 划入 时对应的E值，找出一个最大的E值。 把 划为 的E值最大。 ∴ 次数 E值 1 56.6 2 79.16 3 90.90 4 102.61 5 120.11 6 137.15 7 154.10 8 176.15 9 195.26 10 213.07 11 212.01 第10次迭代 划入 时，E最大。于是分成以下两类： ∴ 例：已知有20个样本，每个样本有2个特征，数据分布如下图,使用C－均值法实现样本分类（C=2）。 第三步：更新聚类中心 第四步： 第二步： 第三步：更新聚类中心 * N：总样本数， ：ω1类样本数 ：ω2类样本数， 初始分类 调整分类方案 最终结果 目标函数 达到最优先？ 0 1 2 1 3 4 3 5 5 6 x2 7 6 6 5 4 4 2 2 0 0 x1 10 9 8 7 6 5 4 3 2 1 样本号 -5 -3 -1 -2 -1 1 2 0 2 2 3 -3 -1 -1 0 0 1 -5 -3 -3 -2 -4 21 20 19 18 17 16 15 14 13 12 11 ∴目标函数 ∴ 解：第一次分类时计算所有样本，分别划到 时的E值，找出最大的。 1、开始时， 时的E值 把 划入 时有 E(1)=56.6 再继续进行第二，第三次迭代… 计算出 E(2) , E(3) , … 每次分类后要重新计算 的值。可用以下递推公式： 2. 确定评估聚类质量的准则函数。 确定模式和聚类的距离测度。当采用欧氏距离时，是计算此模式和该类中心的欧氏距离；为能反映出类的模式分布结构，应采用马氏距离，设该类的均值矢量为 ， 协方差阵为 ，则模式 和该类的 与该类均矢 的马氏距离： 距离平方为 3. 确定模式分划及聚类合并或分裂的规则。 5·4 聚类的算法——动态聚类算法要点 5·4 聚类的算法——动态聚类的基本步骤 建立初始聚类中心，进行初始聚类； 计算模式和类的距离，调整模式的类别； 计算各聚类的参数，删除、合并或分裂一些聚类； 从初始聚类开始，运用迭代算法动态地改变模式的类别和聚类的中心使准则函数取得极值或设定的参数达到设计要求时停止。 5·4 聚类的算法——动态聚类的框图 产生初始聚类中心 聚类 检验聚类合理性 待分类模式 分类结果 合理 再迭代/修改参数 不合理 ⒈ 条件及约定 设待分类的模式特征矢量集为： 类的数目C是事先取定的。 5·4 聚类的算法 动态聚类法——C-均值法 ⒉ 算法思想 该方法取定 C个类别和选取 C个初始聚类中心，按最小距离原则将各模式分配