机器学习课件 5.2 K-means、K中心点方法及其改进方法.pptxVIP

K-means、K中心点方法及其改进方法

K-means、K中心点方法及其改进方法K-means以簇数目k为输入参数，把n个对象划分为k个簇，使得簇内的相似度高，而簇间的相似度低。簇作为运算对象参与度量时，使用簇中对象的均值代表簇。随机地选择k个对象，每个对象代表一个簇的初始均值。对于剩余的每个对象，根据其与每个簇均值的距离，将它分配到最相似的簇。计算每个簇的新均值。这个过程不断重复，直到簇稳定不再变化。这里的不再变化，实质上是准则函数的收敛。

K-means、K中心点方法及其改进方法K-meansK-means算法所选择的准则函数是平方误差函数：其中，p是空间中的点，表示给定对象；是簇的均值。

K-means、K中心点方法及其改进方法K-means输入：n个对象的数据集D，簇数目k输出：k个簇1.从D中随机选择k个对象作为初始簇中心；2.将每个对象分配到中心与其最近的簇；3.重新计算簇的均值，使用新的均值作为每个簇的中心；4.重复步骤2、3直到所有簇中的对象不再变化算法

K-means、K中心点方法及其改进方法K-meansK-means算法是一种期望最大化（expectation-maximization，EM）算法：E步：每个对象分配到一个簇中。