- 1、本文档共10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
试验题目:数据聚类试验1 试验目的(1)明白常用聚类算法及其优缺点;(2)把握 k-means(3)利用 k-means聚类算法对数据进行聚类分析的基本原理和划分方法;聚类算法对“ ch7 iris.txt”数据集进行聚类试验;(4)熟识使用 matlab 进行算法的实现;2 试验步骤2.1算法原理聚类就是依据某个特定标准 ( 如距离准就 ) 把一个数据集分割成不同的类或簇,使得同一
试验题目:
数据聚类试验
1 试验目的
(1)明白常用聚类算法及其优缺点;
(2)把握 k-means
(3)利用 k-means
聚类算法对数据进行聚类分析的基本原理和划分方法;
聚类算法对“ ch7 iris.txt
”数据集进行聚类试验;
(4)熟识使用 matlab 进行算法的实现;
2 试验步骤
2.1
算法原理
聚类就是依据某个特定标准 ( 如距离准就 ) 把一个数据集分割成不同的类或簇,
使得同一
个簇内的数据对象的相像性尽可能大,
同时不在同一个簇中的数据对象的差异性也尽可能地
大;即聚类后同一类的数据尽可能集合到一起,不同数据尽量分别;
k-means 是划分方法中较经典的聚类算法之一;由于该算法的效率高,所以在对大规模数据进行聚类时被广泛应用;目前,很多算法均环围着该算法进行扩展和改进;
k-means
算法以 k 为参数,把
n 个对象分成
k 个簇,使簇内具有较高的相像度,而簇间
的相像度较低; k-means 算法的处理过程如下:第一,随机地
挑选 k 个对象,每个对象初
; 对剩余的每个对象,依据其与各簇中心的距离,将它赋
始地代表了一个簇的平均值或中心
给最近的簇 ; 然后重新运算每个簇的平均值;
这个过程不断重复,直到准就函数收敛;
k
2
E
p
mi
,这里 E 是数据集中全部
通常,采纳平方误差准就,其定义如下:
i 1
p Ci
对象的平方误差的总和, p 是空间中的点,
mi 是簇
Ci
的平均值;该目标函数使生成的簇尽
, 当然也可以用其他距离度量;
可能紧凑独立,使用的距离度量是欧几里得距离
本试验便采纳 k-means 聚类方法对样本数据对象进行聚类;
大值的数据有很好的聚类成效,并且对大数据集有很好的伸缩性;
该方法易实现, 对不存在极
2.2
算法流程
本试验采纳的是 k-means 聚类算法,类中心的挑选基于簇中对象的平均值;
(1)猎取用户的类中心数目
k 和具有 n 个对象的数据集;
(2)任意选取
k 个对象作为初始的簇中心;
(3)依据簇中对象的平均值,将每个对象重新赋给最类似的簇;
(4)更新簇的平均值,即类中心,重新运算每个簇中对象的平均值;
(5)假如新的平均值发生转变,转至(
2)步;
(6)新的平均值不在发生转变,算法聚类终止;
2.2
算法流程图
开 始挑选 k 值,选取 k 个对象作为平均值聚 类对新生成的簇重新运算平均值Y新的平均值转变N结 束图 1k-means
开 始
挑选 k 值,选取 k 个
对象作为平均值
聚 类
对新生成的簇重新
运算平均值
Y
新的平均
值转变
N
结 束
图 1
k-means 算法流程图
k-means 算法流程图,如图
1 所示; k-means 算法中的
k ,由用户输入, 最终得到的类
别数即为用户输入的数目;
聚类过程中, 涉及到初始类中心的挑选;
在程序中, 对于类中心,
是挑选前 k 个作为初始类中心,
运行效率和分类结果的精确率;
对于数据的组织, 前 k 个数据有较大差别,
可以提高程序的
3 试验结果分析
在试验中,利用 k-means 聚类算法对“ ch7 iris.txt
”数据集进行聚类试验;
当 k=3 时, k-means 算法聚类成效如图
2 所示:
图 2k=3 时聚类成效当 k=4时,
图 2
k=3 时聚类成效
当 k=4
时, k-means 算法聚类成效如图
3 所示:
图 3
k=4 时聚类成效
K- means 聚类算法的收敛性和初值的选取有关;初始的聚类中心的不同,对聚类结果没有很大的影响,而对迭代次数有显著的影响;数据的输入次序不同,同样影响迭代次数,而对聚类结果没有太大的影响;4 试验结论K - means 聚类算法对于类别数的挑选k 值有较高的要求,假如类别数较少,就不能区分数据; K - means 聚类算法找出平均误差最小的k 个划分;当结果簇是密集的,而簇与簇之间的区分明显时,它的成效较好; 该算法只有在簇的平均值被定义的情形下才能使用;对于初始类中心的
K- means 聚类算法的收敛性和初值的选取有关;初始的聚类中心的不同,对聚类
结果没有很大的影响,而对迭代次数有显著的影响;数据的输入次序不同,同样影响迭代次数,而对聚类结果没有太大的影响;
4 试验结论
K
文档评论(0)