k-means演算法
機器學習常用的方法分為監督學習、非監督學習（分類）
監督學習：已有的訓練樣本--->得到訓練後的模型---->未知資料輸入模型得到分類結果（knn）
非監督學習：無訓練樣本---->構建分類模型（k-means）
k均值是發現給定資料集的k個簇的演算法。k為手動設定（可能不是最合適的，需要調整），每個簇用其中所有點的中心表示。聚類效果用sse（誤差平方和）度量。
過程如下：
1.隨機確定k個初始點作為質心（整個演算法受初始質點的影響）；
2.將資料集中的點按照與初始k個質心的距離分配到k個簇中；
3.每個簇的質心更新為該簇所有點的平均值；
4.計算所有點與新調整後的k個質心的距離，重新劃分簇；
5.不斷重複3、4直至演算法收斂（即質心不變）。
缺點：1.最適合的分類數並不一定一次就找到；
2.初始隨機選取的點不同，最後分的類可能也不同；
3.可能收斂到區域性最小值（非全域性最小），在大規模資料集上收斂較慢；
4.對雜訊和離群點敏感。
二分k-均值演算法
二分k-均值演算法的提出是為了克服k-均值演算法收斂於區域性最小值的問題。
過程：
1.將所有點看成乙個簇；
2.將該簇一分為二（計算總誤差，進行k-均值聚類，其中k=2）；
3.計算一分為二後的總誤差，選擇其中乙個簇繼續劃分（選擇標準：其劃分是否能降低sse的值）；
4.重複2、3至k達到指定簇數。
機器學習筆記 k means演算法
k means是一種無監督的聚類演算法，也就是不給標籤，演算法自動來進行分類，最終分成k個簇。輸入 k 簇的個數 訓練集 無標籤的樣本集合 輸出 k個簇 k應該比樣本數量小 1 隨機初始化k個均值向量 代表k個簇的中心 可以隨機選取k個訓練樣本作為初始均值向量。2 開始迴圈 1 對每個樣本進行遍歷，...
機器學習 K Means演算法
簡介 又叫k 均值演算法，是非監督學習中的聚類演算法。基本思想 k means演算法比較簡單。在k means演算法中，用cluster來表示簇 容易證明k means演算法收斂等同於所有質心不再發生變化。基本的k means演算法流程如下 選取k個初始質心 作為初始cluster，每個初始clus...
機器學習 KMeans學習筆記
機器學習 kmeans學習筆記 coding utf 8 spyder editor this is a temporary script file.from numpy import def loaddataset filename file open filename datamat for l...