關於k 均值演算法



同時也參考了

k-means演算法是最簡單的一種聚類演算法。演算法的目的是使各個樣本與所在類均值的誤差平方和達到最小（這也是評價k-means演算法最後聚類效果的評價標準）

k-means聚類演算法的一般步驟：
初始化。輸入基因表達矩陣作為物件集x，輸入指定聚類類數n，並在x中隨機選取n個物件作為初始聚類中心。設定迭代中止條件，比如最大迴圈次數或者聚類中心收斂誤差容限。
進行迭代。根據相似度準則將資料物件分配到最接近的聚類中心，從而形成一類。初始化隸屬度矩陣。
更新聚類中心。然後以每一類的平均向量作為新的聚類中心，重新分配資料物件。
反覆執行第二步和第三步直至滿足中止條件。
#include
#include
#include
#include
#define
k 3  
using
namespace
std;  
//存放元組的屬性資訊  
struct
tuple;  
//計算兩個元組間的歐幾裡距離  
float
getdistxy(tuple
t1, tuple
t2)      
//根據質心，決定當前元組屬於哪個簇， 其中means陣列儲存到額是每個簇的質心
//這個函式大概是讓每乙個元素與所有的質心通過距離比較，計算它應該屬於哪個簇。返回簇的索引
intclusteroftuple(tuple
means,tuple
tuple)  
}  return
label;     } 
//獲得給定簇集的平方誤差  
float
getvar(vector
clusters, tuple
means)  
}  //cout<<"sum:"var;   }
//獲得當前簇的均值（質心）  
tuple
getmeans(vector
cluster)  
t.attr1 = meansx / num;  
t.attr2 = meansy / num;  
return
t;  
//cout<<"sum:"<}  
void
kmeans(vector
tuples)  
intlable=0;  
//根據預設的質心給簇賦值。遍歷，分別求出每個元素所屬於的簇，並壓入相應的簇的陣列
for(i=0;i!=tuples.size();++i)  
//輸出剛開始的簇  
for(lable=0;lable
cout
<}  
float
oldvar=-1;  
//該函式求出對於所有簇，假如說k=3，也就是3個簇平方誤差之和。
float
newvar=getvar(clusters,means);  
//第一次newval和oldval都是在while迴圈外獲得的，但是第二次就是在迴圈內部獲得的。
//從迴圈內跳出到執行while判決，則說明上次的簇的質心和簇都已經建立完畢
//如果判斷為假，說明還要繼續進入迴圈，修改簇的質心和簇。
while(abs(newvar - oldvar) >= 1) //當新舊函式值相差不到1即準則函式值不發生明顯變化時，演算法終止  
oldvar = newvar;  
newvar = getvar(clusters,means); //計算新的準則函式值  
for (i = 0; i
< k; i++) //清空每個簇  
//根據新的質心獲得新的簇  
for(i=0;i!=tuples.size();++i)  
//輸出當前的簇  
for(lable=0;lable
cout
<}  
}  }   
intmain(void)  
intcount=0;  
vector
tuples;  
tuple
tuple;  
//從檔案流中讀入資料  
while(!infile.eof())  
}  //int k;  
//cout<<"請輸入期望的簇的個數："  
//cin>>k;  
//coutfor(vector
::size_type
ix=0;ix!=tuples.size();++ix)  
cout
<<"("
<<<","
<<<")"
<<"    ";  
cout

cout
<<"請**結果";
intb; cin>>b;
if (0 == b) 
return 0;  
}

同時也參考了

其中上文的例子生動有趣，順便也調侃了一下中國足球，當然這又是後話了。

所謂聚類問題，就是給定乙個元素集合d，其中每個元素具有n個可觀察屬性，使用某種演算法將d劃分成k個子集，要求每個子集內部的元素之間相異度盡可能低，而不同子集的元素相異度盡可能高。其中每個子集叫做乙個簇。

k均值演算法的計算過程非常直觀：

1、從d中隨機取k個元素，作為k個簇的各自的中心。
2、分別計算剩下的元素到k個簇中心的相異度，將這些元素分別劃歸到相異度最低的簇。
3、根據聚類結果，重新計算k個簇各自的中心，計算方法是取簇中所有元素各自維度的算術平均數。
4、將d中全部元素按照新的中心重新聚類。
5、重複第4步，直到聚類結果不再變化。
6、將結果輸出。
希望能夠幫助讀者快速的理解k-均值演算法

K 均值演算法

動態聚類方法是模式識別中一種普遍採用的方法，它具有以下3個要點 1 選定某種距離度量作為樣本間的相似性度量 2 確定某個評價聚類結果質量的準則函式 3 給定某個初始分類，然後用迭代演算法找出使準則函式取極值的最好的聚類結果 k means演算法 輸入 聚類個數k，以及包含 n個資料物件的資料庫。輸出...

K均值演算法

假設需要聚成k個類 演算法先會隨機從資料集中選取k個點，把他們當做k個聚類的中心點 依次計算資料集中的每乙個點與各個中心點的距離，離哪個中心點近，就劃分到那個中心點對應的聚類下 計算分到同一類簇下，所有點的均值，更新中心點，重複 直至達到迭代結束條件 import numpy as np impor...

k均值演算法

1 撲克牌手動演練k均值聚類過程 30張牌，3類 實驗總牌數為30，分三類進行三輪迭代。第一輪 抽取聚類中心為 3 4 7.聚類結果為 第二輪 經過求平均後，重新確定聚類中心為 2 4 10 第三輪 對上類再進行求平均，選定聚類中心為2 5 10 最終聚類中心穩定在2 5 10，以此為小中大劃分。2...