聚类82课件讲解.pptxVIP

聚类汇报人：人工智能专业项目9

k均值聚类算法PARTONE

项目目标知识目标掌握聚类的概念及距离的度量方法。了解聚类的类型。掌握k均值聚类算法的基本原理及其Sklearn实现方法。掌握层次聚类算法的基本原理及凝聚层次聚类算法的Sklearn实现方法。掌握DBSCAN聚类算法的基本原理及其Sklearn实现方法。技能目标能够使用k均值聚类算法、凝聚层次聚类算法和DBSCAN聚类算法训练模型。能够编写程序，寻找k均值聚类模型参数的最优值。能够编写程序，寻找DBSCAN聚类模型参数的最优值。素养目标掌握常用的聚类算法，提高自主学习能力、数据分析能力和创新能力。强化数据安全意识，提高信息技术应用能力。

9.19.29.39.4目录01.聚类任务02.k均值聚类算法03.层次聚类算法04.DBSCAN聚类算法

5k均值（k-means）聚类算法原理简单，可解释性强，实现方便，广泛应用于数据挖掘、聚类分析、模式识别、金融风控、数据科学、智能营销和数据运营等领域，其目标是根据输入的参数k（簇的数目）的值，将样本集分成k个簇。9.2k均值聚类算法

6k均值聚类算法的基本原理是，给定一个样本数据集，首先随机选择k个数据对象点作为初始聚类中心，然后计算每个样本点到各聚类中心的距离，将样本指派到距离最近的簇中，完成第一次聚类；接下来计算每个簇的平均值点（方法是对簇中所有点的坐标求平均值），将计算得到的均值点作为新的聚类中心，再计算每个样本点到新的聚类中心的距离，将其指派到距离最近的簇中，完成第二次聚类。依次往复执行，直到重新计算出的聚类中心点不再发生改变，算法结束，得到最终的聚类结果。1．k均值聚类算法的原理分析9.2.1k均值聚类算法的基本原理

71．k-means算法参数选择还可以采用“肘”方法（elbowmethod）确定k值。该方法的原理就是最小化点到聚类中心的距离。“肘”方法的步骤如下。（1）对于n个点的数据集，迭代计算k从1到n，每次聚类完成后计算每个点到其所属的簇中心的距离的平方和。（2）平方和是会逐渐变小的，直到k=n时平方和为0，因为每个点都是它所在的簇中心本身。（3）在这个平方和变化过程中，会出现一个拐点即“肘”点，下降率突然变缓时即认为是最佳的k值。9.2.1k均值聚类算法的基本原理

81．k-means算法参数选择某数据集在分类数1到7时，聚类数k和簇内距离平方和的对应关系的手肘图如图9-4所示。从图9-4可以看到，k=3时，簇内距离平方和的下降率突然变缓，可以考虑选择k=3作为聚类数量。一般来说，手肘图都会展现出一个类似肘部的图形，簇内距离平方和的下降率突然变缓时即认为是最佳的k值。9.2.1k均值聚类算法的基本原理

91．k-means算法参数选择2．初始的k个质心怎么选？最常用的方法是随机选。初始质心的选取对最终聚类结果有影响，因此算法一定要多执行几次，哪个结果更合理，就用哪个结果。当然也有一些优化的方法。第一种方法是选择彼此距离最远的点，具体来说就是先选第一个点；然后选离第一个点最远的点当第二个点；再选第三个点，第三个点到第一、第二两点的距离之和最大；以此类推，直到选出k个质心。第二种方法是先根据其他聚类算法（如层次聚类）得到聚类结果，再从结果中的每个分类选一个点。9.2.1k均值聚类算法的基本原理

10表9-2样本数据集序号样本点横坐标样本点纵坐标序号样本点横坐标样本点纵坐标1346512367553388734459755471085例如，将表9-2中的样本数据集聚为两个簇的过程如图1所示（图中较大的实心圆表示聚类中心，较小的实心圆表示样本数据）。1．k均值聚类算法的原理分析9.2.1k均值聚类算法的基本原理

11待聚类样本（指定k值为2）随机选取初始聚类中心第一次聚类更新聚类中心（计算簇内平均值点）第二次聚类再次更新聚类中心图1k均值聚类过程1．k均值聚类算法的原理分析9.2.1k均值聚类算法的基本原理

12第三次聚类聚类结束（聚类中心不再改变）图1k均值聚类过程可见，k均值聚类算法需要对聚类中心进行迭代更新，每次迭代所选取的聚类中心都会越来越接近簇的几何中心，故聚类效果也会越来越好。1．k均值聚类算法的原理分析9.2.1k均值聚类算法的基本原理

13(1）指定聚类簇的数目值（k的取值）。（2）随机选择k个数据对象点作为初始聚类中心。（3）分别计算每个样本到各聚类中心的距离，将样本划分到距离最近的那个中心所处的簇中。（4）计算每个簇中所有样本的平均值点（对簇中所有点的坐标求平均值），得到新的聚类中心。（5）重复步骤（3）与步骤（4），直到聚类中心点不再发生变化。使用k均值算法进行聚类的具体步骤如下。2．k均值聚类算法的流程9