二零二三年 优质公开课聚类分析.pptx

物流人工智能技术技能培训;任务二 聚类分析;;【教学目标】;一、聚类分析的概念;聚类算法的应用非常广泛，使用的典型案例包括用户画像、电商物品聚类、社交网络分析等。 通常聚类的表示可以通过簇的中心点或者边界点来表示空间的一类点。;原型聚类亦称“基于原型的聚类”，此类算法假设聚类结构能通过一组原型刻画，在现实聚类任务中极为常用。;首先给定样本集D={x1，x2，…，xm}，k均值算法针对聚类所得簇划分C={C1，C2，…，Ck}最小化平方误差;k均值算法采用了贪心策略，通过迭代优化来近似求解。算法流程如图所示。;以下表的西瓜数据集4.0为例来演示k均值算法的学习过程。为方便叙述，将编号为i的样本称为xi，这是一个包含“密度”与“含糖率”两个属性值的二维向量。;假定聚类簇数k=3，算法开始时随机选取三个样本x6，x12，x27作为初始均值向量，即;考察样本x1=（0.697；0.460），它与当前均值向量μ1，μ2，μ3的距离分别为0.369，0.506，0.166，因此x1将被划入簇C3中。类似的，对数据集中的所有样本考察一遍后，可得当前簇划分为如下所示：;更新当前均值向量后，不断重复上述过程，如下图所示：;第五轮迭代产生的结果与第四轮迭代相同，于是算法停止，得到最终的簇划分。;下面这张图，有各种各样的虫子和蜗牛，你试试将它们分成不同的组别？;一般来说我们可以将这些虫子分成四组：蜘蛛、