内容简介:k-means 算法是一个聚类的算法 也就是clustering 算法。是属于无监督学习算法,也是就样本没有label(标签)的算分,然后根据某种规则进行“分割”, 把相同的或者相近的objects 物体放在一起。在这里K就是我们想要分割的的聚类的个数。当然了,很多资料都会说这个算法吧,毕竟简单粗暴可依赖
写在前面的话
k-means 算法是一个聚类的算法 也就是clustering 算法。是属于无监督学习算法,也是就样本没有label(标签)的算分,然后根据某种规则进行“分割”, 把相同的或者相近的objects 物体放在一起。
在这里K就是我们想要分割的的聚类的个数。
当然了,很多资料都会说这个算法吧,毕竟简单粗暴可依赖
算法描述
首先我们有以下的几个点
A1 | (2,10) |
A2 | (2,5) |
A3 | (8,4) |
A4 | (5,8) |
A5 | (7,5) |
A6 | (6,4) |
A7 | (1,2) |
A8 | (4,9) |
这个算法不能帮助我们自动分类,所以我们需要指定我们需要的个数。其实在很多实际应用当中,我们很难知道我们的数据是什么分布的,应该分成几类比较好。这也是k-means自身的一个缺陷,所以不能帮助我们自动的聚类。
注:如果我在本文中说了分类,其实是分割的意思,我想表达的意思是聚类。
中文和英文切换,在意思上表达真的有点差距。
现在假设我们需要把上面的数据点分成三类。我们需要遵循下面的几个步骤
- 选取三个类的初始中心
- 计算剩余点到这三个中心的距离
- 将距离中心点距离最短的点归为一类
- 依次划分好所有的数据点
- 重新计算中心
- 重复2-5 个步骤,直到中心点不会在变化为止
现在看完步骤,其实可能会有一些疑问:
1. 怎么选择我们的初始中心点?
2. 怎么计算点之间的距离呢。
选择中心点
中心点怎么选择,一般情况下我们是随机的从我们的数据集中选择的。当然还会有其他的方法,我们在之后的文章中可能会讨论。如果我还有时间去写的话,一般我会有时间写的。
甚至这个中心点的选择可以是完全随机的,甚至都不需要从我们的数据集中选取,在这里,我们的数据集是一个二维的,所以我们可以选择在XY坐标上的任意三个点,随你高兴都是可以的
注意:中心点的选取不同,最后的聚类结果可能大不相同
在这里我们假设我们的三个初始点是A,
在这里我们选取的初始点是A1,A4,A7
在这里我们定义两个点之间的距离用曼哈顿聚类距离,也可以叫做城市街区距离。
在这里我们是二维坐标,所以我们可以按照下面这个公式:
下面是一个例子:
计算的一般过程:
我们先看第一轮:
选取距离最近的归为一类
这个时候我们得到的聚类的结果:
得到了第一轮的结果我们需要重新的计算每个聚类的中心
cluster1
对于第一个聚类只有一个点所以它的聚类的中心就是它自己。
Cluster2
X:
(8+5+7+6+4)/5 = 6
Y:
(4+8+5+4+9)/5 = 6
这个时候它的中心就变成了(6,6)
Cluster3:
X:
(2+1)/2 = 1.5
Y:
(5+2)/2 = 3.5
这个时候在进行第二轮迭代:
这个时候再次计算中心:
这个时候用我们的新的中心再来计算一遍:
这个时候我们在重新根据新的聚类重新计算我们的中心:
得到新的点之后我们在重新计算新的聚类
这个时候发现和上一次的结果是一致的,这个时候我们就可以停止我们的算法了。
下面我们来看一下这个迭代过程的图谱。
这个是我们的的初始过程
之后是我们选取中心点:
依次迭代的过程:
reference:
https://www.youtube.com/watch?v=_S5tvagaQRU以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 数据结构与算法之基本概念
- 机器学习基础概念和统计机器学习基本算法
- Linux 死锁概念与银行家算法python 实现
- 二分图最大匹配及其各种各样奇怪的概念与算法
- 神经网络图的简介(基本概念,DeepWalk以及GraphSage算法)
- ACL 2019 | 图表示解决长文本关系匹配问题:腾讯提出概念交互图算法
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Uberland
Alex Rosenblat / University of California Press / 2018-11-19 / GBP 21.00
Silicon Valley technology is transforming the way we work, and Uber is leading the charge. An American startup that promised to deliver entrepreneurship for the masses through its technology, Uber ins......一起来看看 《Uberland》 这本书的介绍吧!