前往小程序，Get更优阅读体验！
立即前往
文档建议反馈控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
发布
首页
学习
活动
专区
工具
TVP最新优惠活动
返回腾讯云官网
社区首页 >专栏 >【数据挖掘】K-Means 一维数据聚类分析示例

【数据挖掘】K-Means 一维数据聚类分析示例

作者头像
韩曙亮
发布于 2023-03-27 19:52:39
6380
发布于 2023-03-27 19:52:39
举报
文章被收录于专栏：韩曙亮的移动开发专栏韩曙亮的移动开发专栏

文章目

K-Means 一维数据计算示例 数据样本 及 初始值

1 . 数据集样本 :

14

个人 , 根据其年龄 , 将数据集分成

3

组 ;

2 . 选定初始的中心值 :

1

,

20

,

40

;

K-Means 一维数据 距离计算方式

1 . 距离公式选择 : 一维数据 直接使用 曼哈顿距离 计算即可 , 二维数据 需要使用 欧几里得距离 计算 ;

2 . 曼哈顿距离 : 这里直接使用曼哈顿距离 , 即样本值 , 直接相减得到的值取绝对值 , 就是曼哈顿距离 ;

K-Means 算法 步骤

K-Means 算法 步骤 : 给定数据集

X

, 该数据集有

n

个样本 , 将其分成

K

个聚类 ;

① 中心点初始化 : 为

K

个聚类分组选择初始的中心点 , 这些中心点称为 Means ; 可以依据经验 , 也可以随意选择 ;

② 计算距离 : 计算

n

个对象与

K

个中心点 的距离 ; ( 共计算

n \times K

次 )

③ 聚类分组 : 每个对象与

K

个中心点的值已计算出 , 将每个对象分配给距离其最近的中心点对应的聚类 ;

④ 计算中心点 : 根据聚类分组中的样本 , 计算每个聚类的中心点 ;

⑤ 迭代直至收敛 : 迭代执行 ② ③ ④ 步骤 , 直到 聚类算法收敛 , 即 中心点 和 分组 经过多少次迭代都不再改变 , 也就是本次计算的中心点与上一次的中心点一样 ;

第一次迭代 : 步骤 ( 1 ) 计算距离

计算

14

个样本 与

3

个中心点的距离 :

① 表格含义 : 如下

P_1

与

C_1

对应的表格位置值是

P_1

样本 与

C_1

中心点的曼哈顿距离 , 即 两个值相减取绝对值 ;

② 计算方式 : 计算

P_i

与

C_j

之间的距离 , 直接将两个数值相减取平均值即可 ;

i

取值范围 ,

\{1 , 2 , \cdots , 14\}

,

j

的取值范围

\{1 , 2, 3\}

;

③ 计算示例 : 如

P_3

样本 与

C_2

中心点的距离计算 ,

P_3

样本的年龄属性值是

5

,

C_2

中心点值为

20

;

d(P_3, C_2)

表示两个点之间的距离 ;

d(P_3, C_2) = |5 - 20| = 15

下表中的

P_3

行

C_2

列对应的值是

15

, 即上面计算出来的距离值 ;

年龄

聚类

C 1 C_1 C1​

C 2 C_2 C2​

C 3 C_3 C3​

中心值

1 1 1

20 20 20

40 40 40

P 1 P_{1} P1​

1 1 1

0 0 0

19 19 19

39 39 39

P 2 P_2 P2​

3 3 3

2 2 2

17 17 17

37 37 37

P 3 P_3 P3​

5 5 5

4 4 4

15 15 15

35 35 35

P 4 P_4 P4​

8 8 8

7 7 7

12 12 12

32 32 32

P 5 P_5 P5​

9 9 9

8 8 8

11 11 11

31 31 31

P 6 P_6 P6​

11 11 11

10 10 10

9 9 9

29 29 29

P 7 P_7 P7​

12 12 12

11 11 11

8 8 8

28 28 28

P 8 P_8 P8​

13 13 13

12 12 12

7 7 7

27 27 27

P 9 P_9 P9​

37 37 37

36 36 36

17 17 17

3 3 3

P 10 P_{10} P10​

43 43 43

42 42 42

23 23 23

3 3 3

P 11 P_{11} P11​

45 45 45

44 44 44

25 25 25

5 5 5

P 12 P_{12} P12​

49 49 49

48 48 48

29 29 29

9 9 9

P 13 P_{13} P13​

51 51 51

50 50 50

31 31 31

11 11 11

P 14 P_{14} P14​

65 65 65

64 64 64

45 45 45

25 25 25

C_1
C_2
C_3

中心值

1
20
40
P_{1}
1
0
19
39
P_2
3
2
17
37
P_3
5
4
15
35
P_4
8
7
12
32
P_5
9
8
11
31
P_6
11
10
9
29
P_7
12
11
8
28
P_8
13
12
7
27
P_9
37
36
17
3
P_{10}
43
42
23
3
P_{11}
45
44
25
5
P_{12}
49
48
29
9
P_{13}
51
50
31
11
P_{14}
65
64
45
25
第一次迭代 : 步骤 ( 2 ) 聚类分组

1 . 为

\{P_1 , P_2, \cdots , P_{14}\}

这

14

个样本分组 :

P_{1}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

0

,

P_1

样本 分组到

K_1

组 ;

P_{2}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

2

,

P_2

样本 分组到

K_1

组 ;

P_{3}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

4

,

P_3

样本 分组到

K_1

组 ;

P_{4}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

7

,

P_4

样本 分组到

K_1

组 ;

P_{5}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

8

,

P_5

样本 分组到

K_1

组 ;

P_{6}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

9

,

P_6

样本 分组到

K_2

组 ;

P_{7}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

8

,

P_7

样本 分组到

K_2

组 ;

P_{8}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

7

,

P_8

样本 分组到

K_2

组 ;

P_{9}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

3

,

P_9

样本 分组到

K_3

组 ;

P_{10}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

3

,

P_{10}

样本 分组到

K_3

组 ;

P_{11}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

5

,

P_{11}

样本 分组到

K_3

组 ;

P_{12}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

9

,

P_{12}

样本 分组到

K_3

组 ;

P_{13}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

11

,

P_{13}

样本 分组到

K_3

组 ;

P_{14}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

25

,

P_{14}

样本 分组到

K_3

组 ;

2 . 当前分组依据的中心点 :

\{1 , 20 , 40\}

3 . 当前分组结果 :

K_1 = \{ P_{1} , P_{2} , P_{3} , P_{4} , P_{5} \}
K_2 = \{ P_{6} , P_{7} , P_{8} \}
K_3 = \{ P_{9} , P_{10} , P_{11} , P_{12} , P_{13} , P_{14} \}
第一次迭代 : 步骤 ( 3 ) 计算中心值

根据新的聚类分组计算新的中心值 :

① 计算

K_1

分组的中心值 :

K_1 = \{ P_{1} , P_{2} , P_{3} , P_{4} , P_{5} \}

, 计算过程如下 :

C_1 = \frac{1 + 3 + 5 + 8 + 9 }{5} = 5

② 计算

K_2

分组的中心值 :

K_2 = \{ P_{6} , P_{7} , P_{8} \}

, 计算过程如下 :

C_2 = \frac{11 + 12 + 13}{3} = 12

③ 计算

K_3

分组的中心值 :

K_3 = \{ P_{9} , P_{10} , P_{11} , P_{12} , P_{13} , P_{14} \}

, 计算过程如下 :

C_3 = \frac{37 + 43 + 45 + 49 + 51 + 65}{6} = 48

最新计算出的

C_1 , C_2 , C_3

中心点是

\{5 , 12 , 48\}
第二次迭代 : 步骤 ( 1 ) 计算距离

计算

14

个样本 与

3

个中心点的距离 :

① 表格含义 : 如下

P_1

与

C_1

对应的表格位置值是

P_1

样本 与

C_1

中心点的曼哈顿距离 , 即 两个值相减取绝对值 ;

② 计算方式 : 计算

P_i

与

C_j

之间的距离 , 直接将两个数值相减取平均值即可 ;

i

取值范围 ,

\{1 , 2 , \cdots , 14\}

,

j

的取值范围

\{1 , 2, 3\}

;

③ 计算示例 : 如

P_3

样本 与

C_2

中心点的距离计算 ,

P_3

样本的年龄属性值是

5

,

C_2

中心点值为

12

;

d(P_3, C_2)

表示两个点之间的距离 ;

d(P_3, C_2) = |5 - 12| = 7

下表中的

P_3

行

C_2

列对应的值是

7

, 即上面计算出来的距离值 ;

年龄

聚类

C 1 C_1 C1​

C 2 C_2 C2​

C 3 C_3 C3​

中心值

5 5 5

12 12 12

48 48 48

P 1 P_{1} P1​

1 1 1

4 4 4

11 11 11

47 47 47

P 2 P_2 P2​

3 3 3

2 2 2

9 9 9

45 45 45

P 3 P_3 P3​

5 5 5

0 0 0

7 7 7

43 43 43

P 4 P_4 P4​

8 8 8

3 3 3

4 4 4

40 40 40

P 5 P_5 P5​

9 9 9

4 4 4

3 3 3

39 39 39

P 6 P_6 P6​

11 11 11

6 6 6

1 1 1

37 37 37

P 7 P_7 P7​

12 12 12

7 7 7

0 0 0

36 36 36

P 8 P_8 P8​

13 13 13

8 8 8

1 1 1

35 35 35

P 9 P_9 P9​

37 37 37

25 25 25

17 17 17

11 11 11

P 10 P_{10} P10​

43 43 43

38 38 38

31 31 31

5 5 5

P 11 P_{11} P11​

45 45 45

40 40 40

33 33 33

3 3 3

P 12 P_{12} P12​

49 49 49

44 44 44

37 37 37

1 1 1

P 13 P_{13} P13​

51 51 51

46 46 46

39 39 39

3 3 3

P 14 P_{14} P14​

65 65 65

60 60 60

53 53 53

17 17 17

C_1
C_2
C_3

中心值

5
12
48
P_{1}
1
4
11
47
P_2
3
2
9
45
P_3
5
0
7
43
P_4
8
3
4
40
P_5
9
4
3
39
P_6
11
6
1
37
P_7
12
7
0
36
P_8
13
8
1
35
P_9
37
25
17
11
P_{10}
43
38
31
5
P_{11}
45
40
33
3
P_{12}
49
44
37
1
P_{13}
51
46
39
3
P_{14}
65
60
53
17
第二次迭代 : 步骤 ( 2 ) 聚类分组

1 . 为

\{P_1 , P_2, \cdots , P_{14}\}

这

14

个样本分组 :

P_{1}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

4

,

P_1

样本 分组到

K_1

组 ;

P_{2}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

2

,

P_2

样本 分组到

K_1

组 ;

P_{3}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

0

,

P_3

样本 分组到

K_1

组 ;

P_{4}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

3

,

P_4

样本 分组到

K_1

组 ;

P_{5}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

3

,

P_5

样本 分组到

K_1

组 ;

P_{6}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

1

,

P_6

样本 分组到

K_2

组 ;

P_{7}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

0

,

P_7

样本 分组到

K_2

组 ;

P_{8}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

1

,

P_8

样本 分组到

K_2

组 ;

P_{9}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

11

,

P_9

样本 分组到

K_3

组 ;

P_{10}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

5

,

P_{10}

样本 分组到

K_3

组 ;

P_{11}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

3

,

P_{11}

样本 分组到

K_3

组 ;

P_{12}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

1

,

P_{12}

样本 分组到

K_3

组 ;

P_{13}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

3

,

P_{13}

样本 分组到

K_3

组 ;

P_{14}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

17

,

P_{14}

样本 分组到

K_3

组 ;

2 . 当前分组依据的中心点 :

\{5 , 12 , 48\}

3 . 当前分组结果 :

K_1 = \{ P_{1} , P_{2} , P_{3} , P_{4} \}
K_2 = \{ P_{5} , P_{6} , P_{7} , P_{8} \}
K_3 = \{ P_{9} , P_{10} , P_{11} , P_{12} , P_{13} , P_{14} \}
第二次迭代 : 步骤 ( 3 ) 计算中心值

根据新的聚类分组计算新的中心值 :

① 计算

K_1

分组的中心值 :

K_1 = \{ P_{1} , P_{2} , P_{3} , P_{4} \}

, 计算过程如下 :

C_1 = \frac{1 + 3 + 5 + 8 }{4} = 4

② 计算

K_2

分组的中心值 :

K_2 = \{ P_{5} , P_{6} , P_{7} , P_{8} \}

, 计算过程如下 :

C_2 = \frac{9 + 11 + 12 + 13}{4} = 11

③ 计算

K_3

分组的中心值 :

K_3 = \{ P_{9} , P_{10} , P_{11} , P_{12} , P_{13} , P_{14} \}

, 计算过程如下 : ( 与上次对比没有变化 )

C_3 = \frac{37 + 43 + 45 + 49 + 51 + 65}{6} = 48

最新计算出的

C_1 , C_2 , C_3

中心点是

\{4 , 11 , 48\}
第三次迭代 : 步骤 ( 1 ) 计算距离

计算

14

个样本 与

3

个中心点的距离 :

① 表格含义 : 如下

P_1

与

C_1

对应的表格位置值是

P_1

样本 与

C_1

中心点的曼哈顿距离 , 即 两个值相减取绝对值 ;

② 计算方式 : 计算

P_i

与

C_j

之间的距离 , 直接将两个数值相减取平均值即可 ;

i

取值范围 ,

\{1 , 2 , \cdots , 14\}

,

j

的取值范围

\{1 , 2, 3\}

;

③ 计算示例 : 如

P_3

样本 与

C_2

中心点的距离计算 ,

P_3

样本的年龄属性值是

5

,

C_2

中心点值为

11

;

d(P_3, C_2)

表示两个点之间的距离 ;

d(P_3, C_2) = |5 - 11| = 6

下表中的

P_3

行

C_2

列对应的值是

6

, 即上面计算出来的距离值 ;

年龄

聚类

C 1 C_1 C1​

C 2 C_2 C2​

C 3 C_3 C3​

中心值

4 4 4

11 11 11

48 48 48

P 1 P_{1} P1​

1 1 1

3 3 3

10 10 10

47 47 47

P 2 P_2 P2​

3 3 3

1 1 1

8 8 8

45 45 45

P 3 P_3 P3​

5 5 5

1 1 1

6 6 6

43 43 43

P 4 P_4 P4​

8 8 8

4 4 4

3 3 3

40 40 40

P 5 P_5 P5​

9 9 9

5 5 5

2 2 2

39 39 39

P 6 P_6 P6​

11 11 11

7 7 7

0 0 0

37 37 37

P 7 P_7 P7​

12 12 12

8 8 8

1 1 1

36 36 36

P 8 P_8 P8​

13 13 13

9 9 9

2 2 2

35 35 35

P 9 P_9 P9​

37 37 37

33 33 33

26 26 26

11 11 11

P 10 P_{10} P10​

43 43 43

39 39 39

32 32 32

5 5 5

P 11 P_{11} P11​

45 45 45

41 41 41

34 34 34

3 3 3

P 12 P_{12} P12​

49 49 49

45 45 45

38 38 38

1 1 1

P 13 P_{13} P13​

51 51 51

47 47 47

40 40 40

3 3 3

P 14 P_{14} P14​

65 65 65

61 61 61

54 54 54

17 17 17

C_1
C_2
C_3

中心值

4
11
48
P_{1}
1
3
10
47
P_2
3
1
8
45
P_3
5
1
6
43
P_4
8
4
3
40
P_5
9
5
2
39
P_6
11
7
0
37
P_7
12
8
1
36
P_8
13
9
2
35
P_9
37
33
26
11
P_{10}
43
39
32
5
P_{11}
45
41
34
3
P_{12}
49
45
38
1
P_{13}
51
47
40
3
P_{14}
65
61
54
17
第三次迭代 : 步骤 ( 2 ) 聚类分组

1 . 为

\{P_1 , P_2, \cdots , P_{14}\}

这

14

个样本分组 :

P_{1}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

3

,

P_1

样本 分组到

K_1

组 ;

P_{2}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

1

,

P_2

样本 分组到

K_1

组 ;

P_{3}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

1

,

P_3

样本 分组到

K_1

组 ;

P_{4}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

3

,

P_4

样本 分组到

K_1

组 ;

P_{5}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

2

,

P_5

样本 分组到

K_1

组 ;

P_{6}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

0

,

P_6

样本 分组到

K_2

组 ;

P_{7}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

1

,

P_7

样本 分组到

K_2

组 ;

P_{8}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

2

,

P_8

样本 分组到

K_2

组 ;

P_{9}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

11

,

P_9

样本 分组到

K_3

组 ;

P_{10}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

5

,

P_{10}

样本 分组到

K_3

组 ;

P_{11}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

3

,

P_{11}

样本 分组到

K_3

组 ;

P_{12}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

1

,

P_{12}

样本 分组到

K_3

组 ;

P_{13}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

3

,

P_{13}

样本 分组到

K_3

组 ;

P_{14}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

17

,

P_{14}

样本 分组到

K_3

组 ;

2 . 当前分组依据的中心点 :

\{4 , 11 , 48\}

3 . 当前分组结果 :

K_1 = \{ P_{1} , P_{2} , P_{3} \}
K_2 = \{ P_{4} , P_{5} , P_{6} , P_{7} , P_{8} \}
K_3 = \{ P_{9} , P_{10} , P_{11} , P_{12} , P_{13} , P_{14} \}
第三次迭代 : 步骤 ( 3 ) 计算中心值

根据新的聚类分组计算新的中心值 :

① 计算

K_1

分组的中心值 :

K_1 = \{ P_{1} , P_{2} , P_{3} \}

, 计算过程如下 :

C_1 = \frac{1 + 3 + 5 }{3} = 3

② 计算

K_2

分组的中心值 :

K_2 = \{ P_{4} , P_{5} , P_{6} , P_{7} , P_{8} \}

, 计算过程如下 :

C_2 = \frac{8 + 9 + 11 + 12 + 13}{5} = 10

③ 计算

K_3

分组的中心值 :

K_3 = \{ P_{9} , P_{10} , P_{11} , P_{12} , P_{13} , P_{14} \}

, 计算过程如下 : ( 与上次对比没有变化 )

C_3 = \frac{37 + 43 + 45 + 49 + 51 + 65}{6} = 48

最新计算出的

C_1 , C_2 , C_3

中心点是

\{3 , 10 , 48\}
第四次迭代 : 步骤 ( 1 ) 计算距离

计算

14

个样本 与

3

个中心点的距离 :

① 表格含义 : 如下

P_1

与

C_1

对应的表格位置值是

P_1

样本 与

C_1

中心点的曼哈顿距离 , 即 两个值相减取绝对值 ;

② 计算方式 : 计算

P_i

与

C_j

之间的距离 , 直接将两个数值相减取平均值即可 ;

i

取值范围 ,

\{1 , 2 , \cdots , 14\}

,

j

的取值范围

\{1 , 2, 3\}

;

③ 计算示例 : 如

P_3

样本 与

C_2

中心点的距离计算 ,

P_3

样本的年龄属性值是

5

,

C_2

中心点值为

10

;

d(P_3, C_2)

表示两个点之间的距离 ;

d(P_2, C_3) = |5 - 10| = 5

下表中的

P_3

行

C_2

列对应的值是

5

, 即上面计算出来的距离值 ;

年龄

聚类

C 1 C_1 C1​

C 2 C_2 C2​

C 3 C_3 C3​

中心值

3 3 3

10 10 10

48 48 48

P 1 P_{1} P1​

1 1 1

2 2 2

9 9 9

47 47 47

P 2 P_2 P2​

3 3 3

0 0 0

7 7 7

45 45 45

P 3 P_3 P3​

5 5 5

2 2 2

5 5 5

43 43 43

P 4 P_4 P4​

8 8 8

5 5 5

2 2 2

40 40 40

P 5 P_5 P5​

9 9 9

6 6 6

1 1 1

39 39 39

P 6 P_6 P6​

11 11 11

8 8 8

1 1 1

37 37 37

P 7 P_7 P7​

12 12 12

9 9 9

2 2 2

36 36 36

P 8 P_8 P8​

13 13 13

10 10 10

3 3 3

35 35 35

P 9 P_9 P9​

37 37 37

34 34 34

27 27 27

11 11 11

P 10 P_{10} P10​

43 43 43

40 40 40

33 33 33

5 5 5

P 11 P_{11} P11​

45 45 45

42 42 42

35 35 35

3 3 3

P 12 P_{12} P12​

49 49 49

46 46 46

39 39 39

1 1 1

P 13 P_{13} P13​

51 51 51

48 48 48

41 41 41

3 3 3

P 14 P_{14} P14​

65 65 65

62 62 62

55 55 55

17 17 17

C_1
C_2
C_3

中心值

3
10
48
P_{1}
1
2
9
47
P_2
3
0
7
45
P_3
5
2
5
43
P_4
8
5
2
40
P_5
9
6
1
39
P_6
11
8
1
37
P_7
12
9
2
36
P_8
13
10
3
35
P_9
37
34
27
11
P_{10}
43
40
33
5
P_{11}
45
42
35
3
P_{12}
49
46
39
1
P_{13}
51
48
41
3
P_{14}
65
62
55
17
第四次迭代 : 步骤 ( 2 ) 聚类分组

1 . 为

\{P_1 , P_2, \cdots , P_{14}\}

这

14

个样本分组 :

P_{1}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

2

,

P_1

样本 分组到

K_1

组 ;

P_{2}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

0

,

P_2

样本 分组到

K_1

组 ;

P_{3}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_1

距离最近 , 距离是

2

,

P_3

样本 分组到

K_1

组 ;

P_{4}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

2

,

P_4

样本 分组到

K_1

组 ;

P_{5}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

1

,

P_5

样本 分组到

K_1

组 ;

P_{6}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

1

,

P_6

样本 分组到

K_2

组 ;

P_{7}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

2

,

P_7

样本 分组到

K_2

组 ;

P_{8}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_2

距离最近 , 距离是

3

,

P_8

样本 分组到

K_2

组 ;

P_{9}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

11

,

P_9

样本 分组到

K_3

组 ;

P_{10}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

5

,

P_{10}

样本 分组到

K_3

组 ;

P_{11}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

3

,

P_{11}

样本 分组到

K_3

组 ;

P_{12}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

1

,

P_{12}

样本 分组到

K_3

组 ;

P_{13}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

3

,

P_{13}

样本 分组到

K_3

组 ;

P_{14}

与

\{C_1, C_2, C_3\}

三个中心点中的

C_3

距离最近 , 距离是

17

,

P_{14}

样本 分组到

K_3

组 ;

2 . 当前分组依据的中心点 :

\{3 , 10 , 48\}

3 . 当前分组结果 :

K_1 = \{ P_{1} , P_{2} , P_{3} \}
K_2 = \{ P_{4} , P_{5} , P_{6} , P_{7} , P_{8} \}
K_3 = \{ P_{9} , P_{10} , P_{11} , P_{12} , P_{13} , P_{14} \}

本次分组与上一次分组没有变化 , 说明聚类算法已经收敛 , 该结果就是聚类最终结果 ;

本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2020-05-03，如有侵权请联系 cloudcommunity@tencent.com 删除
数据挖掘
表格
对象
数据
算法

本文分享自 作者个人站点/博客 前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ，欢迎热爱写作的你一起参与！

数据挖掘
表格
对象
数据
算法
评论
登录后参与评论
0 条评论
热度
最新
登录 后参与评论
推荐阅读
LV.
文章
0
获赞
0
目录
  • 文章目
    • K-Means 一维数据计算示例 数据样本 及 初始值
      • K-Means 一维数据 距离计算方式
        • K-Means 算法 步骤
          • 第一次迭代 : 步骤 ( 1 ) 计算距离
            • 第一次迭代 : 步骤 ( 2 ) 聚类分组
              • 第一次迭代 : 步骤 ( 3 ) 计算中心值
                • 第二次迭代 : 步骤 ( 1 ) 计算距离
                  • 第二次迭代 : 步骤 ( 2 ) 聚类分组
                    • 第二次迭代 : 步骤 ( 3 ) 计算中心值
                      • 第三次迭代 : 步骤 ( 1 ) 计算距离
                        • 第三次迭代 : 步骤 ( 2 ) 聚类分组
                          • 第三次迭代 : 步骤 ( 3 ) 计算中心值
                            • 第四次迭代 : 步骤 ( 1 ) 计算距离
                              • 第四次迭代 : 步骤 ( 2 ) 聚类分组
                              领券

                              腾讯云开发者

                              扫码关注腾讯云开发者

                              扫码关注腾讯云开发者

                              领取腾讯云代金券

                              热门产品

                              热门推荐

                              更多推荐

                              Copyright © 2013 - 2024 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有 

                              深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

                              腾讯云计算（北京）有限责任公司 京ICP证150476号 |  京ICP备11018762号 | 京公网安备号11010802020287

                              问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档

                              Copyright © 2013 - 2024 Tencent Cloud.

                              All Rights Reserved. 腾讯云 版权所有

                              登录 后参与评论