江苏龙网

  1. 首页 > 人文 > >

聚类算法kmeans，及Kmeans 和KNN的区别

1. kmeanskmeans（k均值聚类算法）可以实现发现数据集的k个聚类的算法 ， 每个聚类均以其质心表示 。
kmeans步骤：
（1）随机找到k个点作为质心（种子）；
（2）计算其他点到这k个种子的距离 ， 并选择最接近的一个作为该点的类别；
（3）更新各种类型的质心 ， 并进行迭代直到质心保持不变 。
聚类算法kmeans，及Kmeans 和KNN的区别文章插图
大数据
如何选择k的值？
答：当根据k取不同的值时 ， 模型性能曲线 。
横坐标是聚类的数目k ， 纵坐标是从每个点到中心的距离之和 。 拐点处的K（距离和下降率变慢）作为所选值 。
2. kmeans ++由于kmeans的初始种子是随机找到的 ， 因此该算法的收敛速度与初始值有很大的关系 。 因此 ， kmeans ++主要改善了初始值的选择 。
聚类算法kmeans，及Kmeans 和KNN的区别文章插图
智能机器
初始值选择如下：
1.种子也是随机选择的；
2.计算其他点到该种子的距离；
3.选择这些较大距离的点以替换随机选择的种子作为新的种子点（此处较大的距离可以理解为maxDistance *随机数 ， 并且可以选择0.5-1;） 。
4.重复1-3步 ， 直到选择了k个种子 。
聚类算法kmeans，及Kmeans 和KNN的区别文章插图
机器化
3. Kmeans和KNN之间的区别KNN：
分类算法；监督学习；数据集被标记为数据；基于记忆的学习没有明显的训练过程 。
K值的含义-对于样本X ， 要对其进行分类 ， 请首先从数据集中找到最接近它的K个数据点 ， 然后将其分类为类别最多的类别
K均值：
聚类算法；无监督学习；数据集是无标签的混乱数据；有明显的培训过程；
K值的含义-K是预设数字 。 数据集分为K个聚类 ， 这需要人们的先验知识
聚类算法kmeans，及Kmeans 和KNN的区别文章插图
智能化
区别：
两种算法之间的根本区别在于 ， K-means本质上是无监督学习 ， 而KNN是有监督学习 。K均值是聚类算法 ， 而KNN是分类（或回归）算法 。
【聚类算法kmeans，及Kmeans 和KNN的区别】K-均值算法将数据集划分为多个聚类 ， 以使形成的聚类同构 ， 并且每个聚类中的点彼此靠近 ， 该算法试图在这些簇之间保持足够的可分离性 ， 由于不受监督的性质 ， 这些群体没有任何标签 ，KNN算法尝试根据其周围邻居的k个（可以是任何数字）对未标记的观察进行分类 ， 它也被称为惰性学习方法 ， 因为它涉及最小的模型训练 ， 因此它不会将训练数据用于看不见的观察 ， 数据集是通用的 。


    推荐阅读


    上一篇：彻底理解 IO 多路复用实现机制

    下一篇：58同城口碑越做越差2020转型发展是否可靠