《k-均值聚類》是2020年科學出版社出版的一本圖書，作者是劉馨月。
k均值聚類算法（k-means clustering algorithm）是一種疊代求解的聚類分析算法，其步驟是，預將數據分為K組，則隨機選取K個對象作為初始的聚類中心，然後計算每個對象與各個種子聚類中心之間的距離，把每個對象分配給距離它最近的聚類中心。聚類中心以及分配給它們的對象就代表一個聚類。每分配一個樣本，聚類的聚類中心會...
k -平均算法（英文：k-means clustering）源於信號處理中的一種向量量化方法，現在則更多地作為一種聚類分析方法流行於數據挖掘領域。k-平均聚類的目的是：把{\displaystyle n}個點（可以是樣本的一次觀察或一個實例）劃分到k個聚類中，使得每個點都屬於離他最近的均值（此即聚類中心）對應的聚類，以之作為聚類的...
《改進的層次K均值聚類算法》是胡偉撰寫的一篇論文。論文摘要 針對傳統K均值聚類方法採用聚類前隨機選擇聚類個數K而導致的聚類結果不理想的問題,結合空間中的層次結構,提出一種改進的層次K均值聚類算法。該方法通過初步聚類,判斷是否達到理想結果,從而決定是否繼續進行更細層次的聚類,如此疊代執行,從而生成一棵層次型K...
從統計學的觀點看，聚類分析是通過數據建模簡化數據的一種方法。傳統的統計聚類分析方法包括系統聚類法、分解法、加入法、動態聚類法、有序樣品聚類、有重疊聚類和模糊聚類等。採用k-均值、k-中心點等算法的聚類分析工具已被加入到許多著名的統計分析軟體包中，如SPSS、SAS等。從機器學習的角度講，簇相當於隱藏模式。
(1)K-Means算法：又叫K均值算法，這是目前最著名、使用最廣泛的聚類算法。在給定一個數據集和需要劃分的數目k後，該算法可以根據某個距離函式反覆把數據劃分到k個簇中，直到收斂為止。K-Means算法用簇中對象的平均值來表示劃分的每個簇，其大致的步驟是，首先從隨機抽取的k個數據點作為初始的聚類中心(種子中心)...
K-MEANS k-means 算法接受輸入量 k ；然後將n個數據對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。k-means 算法的工作過程說明如下：首先從n個數據對象任意選擇 ...
原型聚類 原型聚類亦稱為“基於原型的聚類”，此類算法假設聚類結構能夠通過一組原型刻畫，在現實聚類任務中極為常用。通常情形下，算法先對原型進行初始化，然後對原型進行疊代更新求解。採用不同的原型表示、不同的求解方式，將產生不同的算法。K均值算法 給定樣本集 ，‘k-均值’ （k-means）算法針對聚類所得簇...
傳統的劃分方法可以擴展到子空間聚類，而不是搜尋整個數據空間。當存在很多屬性並且數據稀疏時，這是有用的。為了達到全局最優，基於劃分的聚類可能需要窮舉所有可能的劃分，計算量極大。實際上，大多數套用都採用了流行的啟發式方法，如k-均值和k-中心算法，漸近的提高聚類質量，逼近局部最優解。這些啟發式聚類方法很...
如何初始化K均值聚類的方法將引導我們討論如何避開局部最優來構建K均值，我們之前沒有討論太多如何初始化聚類中心，有幾種不同的方法可以用來隨機初始化聚類中心,但是事實證明有一種效果最好的一種方法。1.當運行K-均值方法時，需要有一個聚類中心數量K，K值要比訓練樣本的數量m小；2.通常初始化K均值聚類的方法是...
《數據聚類》是2017年科學出版社出版的圖書，作者是張憲超。內容簡介 聚類是數據挖掘領域的一個重要分支。本書全面系統地介紹聚類的主要方法。首先，對涉及聚類的各個方面進行簡略的綜述；然後，對各類聚類算法進行較詳細的討論。本書主要內容分為三大部分：第一部分是經典算法部分（第2～6章），討論k-均值、DBSCAN等...
第10章 利用K-均值聚類算法對未標註數據分組 184 10.1 K-均值聚類算法 185 10.2 使用後處理來提高聚類性能 189 10.3 二分K-均值算法 190 10.4 示例：對地圖上的點進行聚類 193 10.4.1 Yahoo! PlaceFinder API 194 10.4.2 對地理坐標進行聚類 196 10.5 本章小結 198 第11...
第11章 聚類分析與判別分析 11.1 聚類分析與判別分析相關原理簡介 11.1.1 聚類分析 11.1.2 判別分析 11.2 K-均值聚類分析——K-means Cluster過程 11.2.1 K-均值聚類法基本原理 11.2.2 K-means Cluster過程界面操作介紹 11.2.3 引例及結果解釋 11.3 系統聚類法——Hierarchical Cluster過程 11.3.1...
11.1 用k-均值進行相似性分組223 11.1.1 用scikit-learn實現k-均值聚類223 11.1.2 k-均值++——更聰明地設定初始集群質心的方法226 11.1.3 硬聚類與軟聚類227 11.1.4 用肘部方法求解最優集群數228 11.1.5 通過輪廓圖量化聚類質量229 11.2 把集群組織成層次樹233 11.2.1 以自下而上的...
使其適用於腸道運動監測；開展基於克拉美羅界的矢量感測器陣列設計，重點考慮不同陣列參數對克拉美羅界的影響；開展腸道運動的多參數聯合估計，重點考慮基於傳播運算元的聯合估計算法設計；開展腸道運動定位及運動狀態評估，重點考慮腸道運動定位及運動狀態評估算法設計；開展腸道運動智慧型診斷方法的研究，重點考慮利用K-均值聚類...
第2章 特徵聚類 2.1 聚類的概念 2.1.1特徵聚類的基本思想 2.1.2聚類的算法 2.2 數據的降維（PCA）2.2.1 PCA基本概念 2.2.2 PCA原理 2.2.3 PCA的一般步驟 2.2.4數據的降維實例 2.3 模式相似性測度 2.3.1距離測度 2.3.2相似測度 2.3.3匹配測度 2.4 K-均值聚類 2.4.1 K-均值聚類...
第12章 K-均值聚類 282 什麼是K-均值聚類? 285 聚類的套用領域 285 K-均值聚類方法非形式化描述：分區方法 286 K-均值距離函式 286 K-均值聚類形式化描述 287 K-均值聚類的MapReduce解決方案 288 K-均值算法Spark實現 292 第13章 k-近鄰 296 kNN分類 297 距離函式 297 kNN示例 298 kNN算法非形式化描述 ...
聚類分析是通過數據建模簡化數據的一種方法。傳統的統計聚類分析方法包括系統聚類法、分解法、加入法、動態聚類法、有序樣品聚類、有重疊聚類和模糊聚類等，採用k-均值、k-中心點等算法的聚類分析工具已被加入到許多著名的統計分析軟體包中，如SPSS、SAS等。從 機器學習 的角度講，簇相當於隱藏模式。聚類是搜尋簇的...
7.4 聚類分析 7.4.1 k- 均值聚類 7.4.2 高斯混合模型 7.5 深度學習 7.5.1 卷積神經網路 7.5.2 循環神經網路 7.6 酒店數據分析案例 7.6.1 問題背景 7.6.2 任務描述 7.6.3 實驗步驟 關鍵術語 本章小結 即測即評 第8章 可視化展現 8.1 可視化主要...
ISODATA算法是在k-均值算法的基礎上，增加對聚類結果的“合併”和“分裂”兩個操作，並設定算法運行控制參數的一種聚類算法。疊代次數會影響最終結果，疊代參數選擇很重要。算法簡介 全稱：Iterative Selforganizing Data Analysis Techniques Algorithm 即：疊代自組織數據分析算法 “合併”操作：當聚類結果某一類中樣本數...
8.4.2 最遠距離聚類算法 8.4.3 最大最小距離聚類算法 8.5 層次聚類法 8.5.1 層次聚類的定義 8.5.2 基於合併的層次聚類 8.5.3 逐步最佳化的層次聚類 8.5.4 層次聚類的評估 8.6 動態聚類法 8.6.1 K 均值聚類 8.6.2 ISODATA 算法 8.6.3 核聚類 8.7 基於...
10．2 使用K-均值算法分組數據 196 10．2．1 使用Julia實現K-均值聚類 197 10．2．2 對K-均值算法的使用建議 198 10．3 密度和DBSCAN算法 199 10．3．1 DBSCAN算法 199 10．3．2 在Julia中套用DBSCAN 200 10．4 層次聚類 201 10．4．1 在Julia中使用層次聚類 201 10．4．2 何時使用層次聚類 203 1...
