人工智能ArtficialIntelligence(AI).pptVIP

① 随机选取代表点 将全部样本随机地分成 k 个类，计算每一个类的均值，并把它当作每一个类的代表点 1 2 3 代表点的常用选择方法： ②选择集合中的前 k 个样本 选择集合中排在最前面的 k 个样本作为代表点 分派样本到各个类别的常用方法： 最简单的就近原则：选定代表点后，其余的各点离哪个代表点最近就归入那一类，从而得到初始分类结果 初始划分往往会影响迭代的结果，使我们得到的是局部最优解而不是全局最优解 说明 聚类准则函数 C均值算法的具体步骤 输入：样本数据集 S ，类别数 k 输出：k 个类的划分 步骤： (1) 将样本集合划分成 k 个初始聚类 C1,…,Ck，其均值向量为 M1,…,Mk，并计算准则函数 f (2) 选择下一个备选对象 Y，设其属于聚类 i (3) 若 Ni = 1，则转向步骤(7) ，否则继续 (4) 计算 (5) 对于所有的 j = 1, 2, …, k ，找出 如果 m = i ，则转向步骤(7)；否则，将 Y 从 聚类 i 移动聚类 m 中 (6) 重新计算 Mi 和 Mm ，并修改 f (7) 如所有样本计算一次仍不改变 f 的值，则算法结束，否则转向步骤(2) 说明：在实际使用中，还可以选用其他距离形式 C均值算法的缺点 C均值聚类算法的类别数是事先固定 距离对聚类结果有非常大的影响 初始划分影响聚类结果，有可能只找到局部最