1樓：慈鯤
1. k-means的工作原理。
作為聚類演算法的典型代表，k-means可以說是最簡單的聚物基類演算法埋蠢，那罩液謹它的聚類工作原理是什麼呢？
在k-means演算法中，簇的個數k是乙個超引數，需要人為輸入來確定。k-means的核心任務就是根據設定好的k，找出k個最優的質心，並將離這些質心最近的資料分別分配到這些質心代表的簇中去。具體過程可以總結如下：
a.首先隨機選取樣本中的k個點作為聚類中心；
b.分別算出樣本中其他樣本距離這k個聚類中心的距離，並把這些樣本分別作為自己最近的那個聚類中心的類別；
c.對上述分類完的樣本再進行每個類別求平均值，求解出新的聚類質心；
d.與前一次計算得到的k個聚類質心比較，如果聚類質心發生變化，轉過程b，否則轉過程e；
e.當質心不發生變化時（當我們找到乙個質心，在每次迭代中被分配到這個質心上的樣本都是一致的，即每次新生成的簇都是一致的，所有的樣本點都不會再從乙個簇轉移到另乙個簇，質心就不會變化了），停止並輸出聚類結果。
2樓：桐雨文
k 均值演算法可以將乙個沒有被分類的資料集，劃分到k 個類中。某個資料應該被劃分到哪個類，肆液是通過該資料與群組中心點的相似度決定的，也就是該數租雹頌據與哪個類的中心點最相似，則該資料就應該被劃分到哪個類中。因此k並弊鄭不是指的k次迭代。
簡述k-均值演算法的工作流程？
3樓：網友
k-均值演算法（k-means clustering algorithm）是一種常見的聚類演算法，用於將一組資料劃分為k個不同的簇或組。其工作流程如下：
初始化：隨機選擇k個點作為初始的簇中心（centroid）。
分配資料點：對於每個資料點，計算它與每個簇中心的距離，並將它分配到距離最近的簇中心所在的簇。
更新簇中心：對於每個簇，計算其所有成員的平均值，並將該平均值作為新的簇中心。
重複步驟2和步驟3，直到滿足某個停止準則，例如簇中心不再發生變化，簇內平方和達到最小值，或達到預定的迭代次數。
輸出：演算法輸出k個簇及其對應的簇中心。
k-均值演算法是一種迭代演算法，通過不斷地更新簇中心和重新分配資料點，最終將資料點劃分為k個不同的賣猜簇。該演算法的效能與初始的簇中罩型中心的選擇有關，不同的初始選擇可能會導致不同的結果。因此，通常會進行多次執行，選擇最終結果最優的一次執行作為演算法的悶顫輸出。
k平均演算法屬於什麼分析方法
4樓：王豆豆
k平均演算法屬於一種向量量化方法。
k平均聚類發明於1956年，是乙個聚類算銀陸法，把n的物件根據他們的屬性分為k個分割，k < n。它與處理混合正態分佈的最大期望演算法很相似，因為他們都試圖找到資料中自然聚類的中心。它假設物件屬性來自於空間向量，並且目標是使各個群組內部的均方誤差總和最小。
假設有k個群組si, i=1,2,..k。μi是群組si內所有元素xj的重心，或叫中心點。
k平均聚類發明於1956年， 該演算法最常見的形式是採用被稱為勞埃德演算法的迭代式改進探索法。勞埃德演算法首先把輸入點分成k個初始化分組，可以是隨機的或者使用一些啟發式資料。然後計算每組的中心點，根據中心點的位置把物件分到離它最近的中心，重新確定分組。
繼續重複不斷地計算中心並重新分組，直到收斂，即物件不再改變分組。
k平均演算法屬於：
k-means聚類是一種向量量化方法，最初源於訊號處理，在資料探勘中常用於聚類分析。 k-means聚類旨在將 n個觀察值劃分為 k 個聚類，其中每個觀測值屬於具有最近均值所在的聚類，它作為聚類的原型，可以將資料鋒如頃空間劃分成沃羅諾伊單元。
近似的k平均演算法已經被設計用於原始資料子集的計算。
從演算法的表現上來說，它並不保證一定得到全域性最優解，最終解的質量很大程度上取決於初始化的分組。由於該演算法的速度很快，因此常用的一種方法是多次執行k平均演算法，選擇最優解。
k平均演算法的乙個缺點是，分組的數目k是乙個輸入引數，不合適的k可能返回較差的結果。另外，演算法橡戚還假設均方誤差是計算群組分散度的最佳引數。
k均值演算法介紹
5樓：黑科技
從沒有標記過的資料中學習稱之為非監督學習。
在非監督學習中，通過演算法來定義一些資料的結構，將資料分別聚合到這些子集中，這種演算法稱之為聚類演算法。
k均值 (k-means) 演算法是最常用的一種聚類演算法。
假設有槐閉運如上的資料集，可以看到只有輸入 ，沒有輸出 。
下面說明一下k均值演算法的過程。
k均值演算法的代價函式為：
優化目標就是使用上面的代價函式最小化所有引數。
上述步驟中。
第3步叢集分配，是通過找到離樣本最近的聚類中心點來最小化代價函式；
第4步移動質心，是通過改變樣本和聚類中心點的距離來最小代價函式。
在k均值演算法中，代價函式是一直下降的，不可能出現上公升的情況。
聚類中心的個數 一般都是小於樣本數量 的，因此可以隨機取 個樣本來作為聚類中心。
步驟。這樣做的優點是方便快捷，缺點是不一定能夠找到最佳的聚類中心，容易陷入區域性最優。鉛梁。
這種陷入區域性最優的情況在聚態行類中心過少時一般會出現，一般在 的情況下，解決辦法是多次執行該步驟，比較代價函式的值，取最小值。
聚類中心數量的選擇沒有固定的方法，跟主觀上的判斷有很大關係，也跟業務，以及一些客觀條件，以及使用k均值演算法的目標有關。
請給出k均值演算法的演算法思路,並給出該演算法可以實現的案例
6樓：
請給出k均值演算法的演算法思路，並給出該演算法可以實現的案例。
k均值演算法的演算法思路是：1. 首先隨機選取k個樣本作為初始聚類中心；2.
對每乙個樣本，計算它與k個聚類中心的距離；3.將每乙個樣本歸入距離它最近的聚類中心；並拆碰4. 根據新絕談歸入的樣本對k個聚類中心重新計算；5.
重複步驟2-4，直至最後形成若干個聚類集。k均值演算法可以用來實現客戶分類、市場調研以及御大文字聚類等案例。
k-均值演算法有什麼缺點？
7樓：枕流說教育
優缺點如下：
1、優點。k-平均演算法是解決聚類問題的一種經典演算法，演算法簡單、快速。
對處理大資料集，該演算法是相對可伸縮的和高效率的，因為它的複雜度大約是o(nkt) o(nkt)o(nkt)，其中n是所有物件的數目，k是簇的數目，t是迭代的次數。通常k《演算法嘗試找出使平方誤差函式值最小的k個劃分。當簇是密集的、球狀或團狀的，而簇與簇之間區別明顯時，它的聚類效果很好。
2、缺點。對k值敏感。也就是說，k的選擇會較大程度上影響分類效果。
在聚類之前，我們需要預先設定k的大小，但是我們很難敏殲頌確定分成幾改悔類是最佳的，比如上面的資料集中，顯然分為2類，即k = 2最好，但是當資料量很大時，我們預先無法判斷。
對離群點和雜訊點敏感。如果在上述資料集中新增乙個噪音點，這個噪音點獨立成乙個類。很顯然，如果k=2,其餘點是一類，噪音點自成一類，原本可以區分出來的點被噪音點影響，成為了一類了。
如果k=3，噪音點也是自成一類，剩下的資料分成兩類。這說明噪音點會極大的影響其他點的分類。
聚類分析特點
聚類分析的實質：是建立一種分類方法，它能夠將一批樣本資料按照他們在性質上的親密程度在沒有先驗知識的情況下自動進行分類。這裡所說的類就是乙個具有相似性的個體的集合，不同類之間具有明顯的區別。
層次聚類分析是根據觀察值或變數之間的親疏程度，將最相似的物件結合在 一起，以逐次聚合的方式（agglomerative clustering），它將觀察值分類，直到最後所有樣本都聚成一類。
層次聚類分析有兩種形式，一種是對樣本（個案）進行分類，稱為q型聚類；另一種是對研究物件的觀察變數進行分類，橋鄭稱為r型聚類。
如何改進kmeans演算法中的k的選取問題
k means聚類演算法原理 k means 演算法接受引數 k 然後將事先輸入的n個資料物件劃分為 k個聚類以便使得所獲得的聚類滿足 同一聚類中的物件相似度較高 而不同聚類中的物件相似度較校聚類相似度是利用各聚類中物件的均值所獲得一個 中心對 象 k means演算法是輸入聚類個數k，以及包含 n...
全民k歌裡的c是指什麼,全民k歌裡的ABCSSSSSS分別代表什麼等級
你唱的歌等級吧，用來評定你唱的歌好不好，分高不高 sss,ss,s,a,b,c這樣下來的 目前為止沒遇到過d 全民k歌裡的 a b c sss ss s分別代表什麼等級 得分s代表平均單句得分不小於70分，算是不錯的等級。全民k歌中各等級劃分方式 平均單句得分 90 sss 平均單句得分 80 ss...
指的什麼超頻,是帶k的u嗎,買帶k的cpu不超頻是不是很浪費
帶k是要手動去bai超頻的 支援超頻的z97等主du板的bios裡你可以設定處zhi理器 dao的內外頻 目前所有的酷睿i5 i7處理器 都有 睿頻 技術容 全部都是會自動超頻的 帶不帶k都一樣 拿i7 4790k來說 預設主頻4.0 最大睿頻4.4 其實在低負載情況下 它的工作頻率還不到3.0 是...