开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

K均值聚类在R中的并行版本

K均值聚类是一种常用的无监督学习算法，用于将数据集划分为K个不同的类别。它的目标是最小化数据点与其所属类别的质心之间的平方距离之和。

在R语言中，有一个并行版本的K均值聚类算法可以加速计算过程，提高效率。这个并行版本的算法使用了多核处理器的并行计算能力，可以同时处理多个数据点，加快聚类过程。

优势：

提高计算效率：并行版本的K均值聚类算法可以利用多核处理器的并行计算能力，同时处理多个数据点，加快聚类过程，提高计算效率。
适用于大规模数据集：由于并行计算能力的利用，该算法适用于处理大规模数据集，可以更快地完成聚类任务。
灵活性：并行版本的K均值聚类算法在R语言中实现，可以与其他R语言中的数据处理和可视化工具无缝集成，提供更大的灵活性。

应用场景：

客户细分：通过对客户数据进行K均值聚类，可以将客户划分为不同的群体，从而更好地了解客户需求，制定个性化的营销策略。
图像分割：将图像像素点作为数据点，利用K均值聚类算法可以将图像分割为不同的区域，用于图像处理和计算机视觉任务。
基因表达数据分析：通过对基因表达数据进行聚类分析，可以发现基因表达模式的相似性，从而揭示基因功能和疾病机制。

推荐的腾讯云相关产品：腾讯云提供了一系列与云计算相关的产品和服务，以下是一些推荐的产品和产品介绍链接地址：

云服务器（Elastic Cloud Server，ECS）：提供弹性计算能力，支持按需创建、配置和管理云服务器实例。详细信息请参考：https://cloud.tencent.com/product/cvm
云数据库MySQL版（TencentDB for MySQL）：提供高可用、可扩展的云数据库服务，适用于各种规模的应用。详细信息请参考：https://cloud.tencent.com/product/cdb_mysql
人工智能平台（AI Platform）：提供丰富的人工智能服务和工具，包括图像识别、语音识别、自然语言处理等。详细信息请参考：https://cloud.tencent.com/product/ai
云存储（Cloud Object Storage，COS）：提供安全可靠的对象存储服务，适用于各种数据存储和备份需求。详细信息请参考：https://cloud.tencent.com/product/cos

以上是对K均值聚类在R中的并行版本的完善且全面的答案。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

利用基因突变和K均值预测地区种群

这是一篇关于西北基因组中心的Deborah Siegel和华盛顿大学联合Databricks的Denny Lee，就ADAM和Spark基因组变异分析方面的合作的专访。

每周学点大数据 | No.54聚类算法——k-means

NO.54 聚类算法——k-means 首先我们从聚类算法说起。前面讲过，聚类算法是在没有训练集的情况下对要分析的数据进行一个类别划分。简单来说，就是直接观察数据的分布，将它们“聚集”成多个类别。聚类算法最经典的一个问题叫作k-cluster。简单来说，就是现在有一批数据，我们要根据这批数据的值将它们划分成k 类。对其进行一个形式化的定义，就是：输入——在一个n 维特征空间里面的数据项集合。输出——划分为k 个类别的数据项。小可：这个n 维特征空间是什么？ Mr. 王：有一个数据域的数据我们叫它

05

k-means+python︱scikit-learn中的KMeans聚类实现( + MiniBatchKMeans)

该文章介绍了如何使用K-means算法进行聚类，以及如何使用scikit-learn库中的KMeans函数进行实现。同时，文章还介绍了如何对数据进行标准化处理，以及如何使用scikit-learn库中的StandardScaler函数进行标准化处理。最后，文章介绍了如何使用K-means算法进行聚类，并给出了具体的代码示例和注释说明。

09

聚类算法，k-means，高斯混合模型(GMM)

什么是聚类算法？聚类是一种机器学习技术，它涉及到数据点的分组。给定一组数据点，我们可以使用聚类算法将每个数据点划分为一个特定的组。理论上，同一组中的数据点应该具有相似的属性和/或特征，而不同组中的数据点应该具有高度不同的属性和/或特征。聚类是一种无监督学习的方法，是许多领域中常用的统计数据分析技术。

02

Spark MLlib之 KMeans聚类算法详解

问题导读 1.什么是Spark MLlib ？ 2.Spark MLlib 分为哪些类？ 3.KMeans算法的基本思想是什么？ 4.Spark Mllib KMeans源码包含哪些内容？一直想学习下Spark 的机器学习，今天总结整理下。 1.什么是Spark MLlib MLlib 是Spark对常用的机器学习算法的实现库，同时包括相关的测试和数据生成器。 2.Spark MLlib 分类 MLlib 目前支持四种常见的机器学习问题：二元分类，回归，聚类以及协同过滤，同时也包括一

06

基于凸集上投影（POCS）的聚类算法

来源：DeepHub IMBA本文约1200字，建议阅读5分钟本文综述了一种基于凸集投影法的聚类算法，即基于POCS的聚类算法。原始论文发布在IWIS2022上。 POCS：Projections onto Convex Sets。在数学中，凸集是指其中任意两点间的线段均在该集合内的集合。而投影则是将某个点映射到另一个空间中的某个子空间上的操作。给定一个凸集合和一个点，可以通过找到该点在该凸集合上的投影来进行操作。该投影是离该点最近的凸集内的点，可以通过最小化该点和凸集内任何其他点之间的距离来计算。既然是

01

K-Means(K均值)、GMM(高斯混合模型)，通俗易懂，先收藏了！

什么是聚类算法？聚类是一种机器学习技术，它涉及到数据点的分组。给定一组数据点，我们可以使用聚类算法将每个数据点划分为一个特定的组。理论上，同一组中的数据点应该具有相似的属性和/或特征，而不同组中的数据点应该具有高度不同的属性和/或特征。聚类是一种无监督学习的方法，是许多领域中常用的统计数据分析技术。

01

教程 | 如何为时间序列数据优化K-均值聚类速度？

选自New Relic 作者：Jason Snell 机器之心编译参与：Panda、刘晓坤时间序列数据（Time Series Data）是按时间排序的数据，利率、汇率和股价等都是时间序列数据。时间序列数据的时间间隔可以是分和秒（如高频金融数据），也可以是日、周、月、季度、年以及甚至更大的时间单位。数据分析解决方案提供商 New Relic 在其博客上介绍了为时间序列数据优化 K-均值聚类速度的方法。机器之心对本文进行了编译介绍。在 New Relic，我们每分钟都会收集到 13.7 亿个数据点。我们

拥有这个R包，只需三步帮你找到差异表达基因

目前，利用大量的微阵列或RNA-Seq技术来探索不同条件（例如治疗或疾病）之间基因表达的差异是研究疾病的最简单方法。但是，如何快速的从测序得到的“海量”的基因集群中发现差异表达的基因(DEGs)仍然是一项非常重要的任务。

02

一文详解聚类和降维（附实例、代码）

来源：机器之心作者：Vishal Maini 本文长度为3500字，建议阅读6分钟本文对无监督学习的聚类和降维算法进行介绍，其中包括 K 均值聚类、层次聚类、主成分分析（PCA）和奇异值分解（SVD）。我们可以怎样发现一个数据集的底层结构？我们可以怎样最有用地对其进行归纳和分组？我们可以怎样以一种压缩格式有效地表征数据？这都是无监督学习的目标，之所以称之为「无监督」，是因为这是从无标签的数据开始学习的。我们将在这里探索的两种无监督学习任务是：将数据按相似度聚类（clustering）成不同的分

08

人人都能读懂的无监督学习：什么是聚类和降维？

可以说机器学习已经成为了改变时代的大事，一时间似乎人人都应该懂一点机器学习。但机器学习涉及到的数学知识和编程能力往往让没有相关经验的人望而却步。YupTechnologies 机器学习专家 Vishal Maini 近日在 Medium 上发布了一个介绍机器学习的系列文章《人类读得懂的机器学习（Machine Learning for Humans）》，用普通人能理解的语言对机器学习领域的一些核心概念进行了阐述。机器之心在这里编译了这一系列文章的第三部分「无监督学习」，对主要的聚类和降维算法进行了介绍，其中

04

人人都能读懂的无监督学习：什么是聚类和降维？

选自Medium 作者：Vishal Maini 机器之心编译参与：Panda 机器学习已经成为了改变时代的大事，一时间似乎人人都应该懂一点机器学习。但机器学习涉及到的数学知识和编程能力往往让没有相关经验的人望而却步。YupTechnologies 机器学习专家 Vishal Maini 近日在 Medium 上发布了一个介绍机器学习的系列文章《人人读得懂的机器学习（Machine Learning for Humans）》，用普通人能理解的语言对机器学习领域的一些核心概念进行了阐述。机器之心在这里编译了

R语言预处理之异常值问题

>>>> 一、问题什么是异常值？如何检测异常值？请伙伴们思考或者留言讨论。 >>>> 二、解决方法 1. 单变量异常值检测 2. 使用局部异常因子进行异常值检测 3. 通过聚类的方法检验异常值 4. 检验时间序列数据里面的异常值 >>>> 三、R代码实现 1、单变量异常值检测这一节主要讲单变量异常值检测，并演示如何将它应用到多元（多个自变量）数据中。使用函数boxplot.stats()实现单变量检测，该函数根据返回的统计数据生成箱线图。在上述函数的返回结果中，有一个参数out，它是由异常值组成的列

sklearn库主要模块功能简介

sklearn，全称scikit-learn，是python中的机器学习库，建立在numpy、scipy、matplotlib等数据科学包的基础之上，涵盖了机器学习中的样例数据、数据预处理、模型验证、特征选择、分类、回归、聚类、降维等几乎所有环节，功能十分强大，目前sklearn版本是0.23。与深度学习库存在pytorch、TensorFlow等多种框架可选不同，sklearn是python中传统机器学习的首选库，不存在其他竞争者。

05

【聚类分析】典型行业数据实践应用！

1. 聚类产生的类别作为一个新的字段加入其他的模型搭建过程中，作为细分群体的建模依据。

02

R语言确定聚类的最佳簇数：3种聚类优化方法|附代码数据

确定数据集中最佳的簇数是分区聚类（例如k均值聚类）中的一个基本问题，它要求用户指定要生成的簇数k。

00

数据科学系列：sklearn库主要模块功能简介

作为一名数据分析师，当我初次接触数据分析三剑客（numpy、pandas、matplotlib）时，感觉每个库的功能都很多很杂，所以在差不多理清了各模块功能后便相继推出了各自教程（文末附链接）；后来，当接触了机器学习库sklearn之后，才发现三剑客也不外如是，相比sklearn简直是小巫见大巫；再后来，又开始了pyspark的学习之旅，发现无论是模块体积还是功能细分，pyspark又都完爆sklearn；最近，逐渐入坑深度学习（TensorFlow框架），终于意识到python数据科学库没有最大，只有更大……

01

从零开始学Python29-K均值聚类

前言我们接着《从零开始学Python【28】--K均值聚类（理论部分）》一文，继续跟大家分享一下如何借助于Python和R语言工具完成K均值聚类的实战。本次实战的数据来源于虎扑体育（https://nba.hupu.com/stats/players），我们借助于NBA球员的命中率和罚球命中率两个来给各位球员做一次“人以群分”的效果。首先，我们使用pandas中的read_html函数读取虎扑体育网页中的球员数据表，然后再对数据作清洗（主要是数据类型的转换、变量的重命名和观测的删除）：本次一共获得28

05

MATLAB数据挖掘用改进的K-Means(K-均值)聚类算法分析高校学生的期末考试成绩数据

本文首先阐明了聚类算法的基本概念，介绍了几种比较典型的聚类算法，然后重点阐述了K-均值算法的基本思想，对K-均值算法的优缺点做了分析，回顾了对K-均值改进方法的文献，最后在Matlab中应用了改进的K-均值算法对数据进行了分析。

01

特征工程(六): 非线性特征提取和模型堆叠

如果线性子空间是平的纸张，那么卷起的纸张就是非线性流形的例子。你也可以叫它瑞士卷。（见图 7-1），一旦滚动，二维平面就会变为三维的。然而，它本质上仍是一个二维物体。换句话说，它具有低的内在维度，这是我们在“直觉”中已经接触到的一个概念。如果我们能以某种方式展开瑞士卷，我们就可以恢复到二维平面。这是非线性降维的目标，它假定流形比它所占据的全维更简单，并试图展开它。

02

《python数据分析与挖掘实战》笔记第5章

分类和预测是预测问题的两种主要类型，分类主要是预测分类标号（离散属性），而预测主要是建立连续值函数模型，预测给定自变量对应的因变量的值。

01

笔记︱多种常见聚类模型以及分群质量评估（聚类注意事项、使用技巧）

版权声明：博主原创文章，微信公众号：素质云笔记,转载请注明来源“素质云博客”，谢谢合作！！ https://blog.csdn.net/sinat_26917383/article/details/51611519

04

Canopy聚类算法分析

Canopy聚类算法是可以并行运行的算法，数据并行意味着可以多线程进行，加快聚类速度，开源ML库Mahout使用。一、概念与传统的聚类算法(比如 K-means )不同，Canopy 聚类最大的特点是不需要事先指定 k 值( 即 clustering 的个数)，因此具有很大的实际应用价值。与其他聚类算法相比，Canopy聚类虽然精度较低，但其在速度上有很大优势，因此可以使用 Canopy 聚类先对数据进行“粗”聚类，（摘自于Mahout一书：Canopy算法是一种快速地聚类技术，只需

06

R语言从入门到精通：Day15（聚类分析）

聚类分析是一种数据归约技术，旨在揭露一个数据集中观测值的子集。它可以把大量的观测值归约为若干个类。

02

【V课堂】R语言十八讲(十三)—聚类模型

聚类分析是一种原理简单、应用广泛的数据挖掘技术。顾名思义，聚类分析即是把若干事物按照某种标准归为几个类别，其中较为相近的聚为一类，不那么相近的聚于不同类。聚类分析在客户分类、文本分类、基因识别、空间数据处理、卫星图片分析、医疗图像自动检测等领域有着广泛的应用；而聚类分析本身的研究也是一个蓬勃发展的领域，数据分析、统计学、机器学习、空间数据库技术、生物学和市场学也推动了聚类分析研究的进展。聚类分析已经成为数据分析研究中的一个热点。 1 原理聚类算法种类繁多，且其中绝大多数可以用R实现。下面将选取普及性最广、

07

（数据科学学习手札11）K-means聚类法的原理简介&Python与R实现

kmeans法（K均值法）是麦奎因提出的，这种算法的基本思想是将每一个样本分配给最靠近中心（均值）的类中，具体的算法至少包括以下三个步骤：　　1.将所有的样品分成k个初始类；　　2.通过欧氏距离将某个样品划入离中心最近的类中，并对获得样品与失去样品的类重新计算中心坐标；　　3.重复步骤2，直到所有的样品都不能在分类为止 kmeans法与系统聚类法一样，都是以距离的远近亲疏为标准进行聚类的。但是两者的不同之处也很明显：系统聚类对不同的类数产生一系列的聚类结果，而K均值法只能产生指定类数的聚类结果。具体类

07

聚类分析

聚类分析将关系密切的研究对象聚合到一个小的分类单位，关系疏远的聚合到一个大的分类单位，直到把所有的聚合完毕，并形成一个分群图（谱系图）描绘不同研究对象之间的类似程度差异。其中，对样品的分类称为Q型聚类分析，对变量的分类称为R型聚类分析。

03

SPSS用KMEANS(K均值)、两阶段聚类、RFM模型在P2P网络金融研究借款人、出款人行为数据规律|附代码数据

随着P2P网络金融平台的交易量的激增，其交易数据不能得到充分有效地利用。将聚类分析引入到P2P网络金融平台的管理之中，利用聚类分析技术对P2P网络金融平台的现存数据进行分析，进而为借款人、出款人和管理人员提供服务就成为P2P网络金融平台在发展过程中面临的新的课题。

00

机器学习_分类_数据聚类

机器学习_分类_数据聚类 K-Means（k-平均或k-均值）可以称的上是知名度最高的一种聚类算法首先，我们确定要几个的聚类（cluster，也称簇），并为它们随机初始化一个各自的聚类质心点（cluster centroids），它在上图中被表示为“X”。要确定聚类的数量，我们可以先快速看一看已有的数据点，并从中分辨出一些独特的数据。其次，我们计算每个数据点到质心的距离来进行分类，它跟哪个聚类的质心更近，它就被分类到该聚类。需要注意的是，初始质心并不是真正的质心，质心应满足聚类里每个点到它的欧式距离

01

R语言中的划分聚类模型

原文链接：http://tecdat.cn/?p=6443 划分聚类是用于基于数据集的相似性将数据集分类为多个组的聚类方法。分区聚类，包括： K均值聚类（MacQueen 1967），其中每个聚

02

R语言聚类分析(1)

关于更加精细化的细节修改，下次再介绍。或者可以借助其他R包快速绘制好看的聚类分析图形。

03

太难了！B站2021校招算法岗笔试题剖析（一）

今天继续和大家聊聊B站2021的校招笔试题，上次我们看了算法题，今天我们来看看选择题。

03

非监督学习

想比于监督学习，非监督学习的输入数据没有标签信息，需要通过算法模型来挖掘数据内在的结构和模式。非监督学习主要包含两大类学习方法：数据聚类和特征变量关联。其中，聚类算法往往是通过多次迭代来找到数据的最优分割，而特征变量关联则是利用各种相关性分析来找到变量之间的关系。

01

R语言之实现K-mean聚类算法

聚类算法作为无监督的学习方法，在不给出Y的情况下对所有的样本进行聚类。以动态聚类为基础的K均值聚类方法是其中最简单而又有深度的一种方法。K均值的好处是我们可以在了解数据的情况下进行对样本的聚类，当然他也有自己的弱点就是对大数据的运作存在一定的局限。我们以R基础包自带的鸢尾花(Iris)数据进行聚类分析的演示。利用R语言的K均值聚类函数kmeans(),进行聚类，首先我们介绍下kmeans()的构成

02

「R」聚类分析

文中公式有问题，有需要阅读原文 https://www.jianshu.com/p/18dd0ce65bb8

02

「Workshop」第十期：聚类

聚类分析的思想:对于有p个变量的数据集来说,每个观测值都是p维空间中的一个点,所以属于同一类的点在空间中的距离应该显著小于属于不同类的点之间的距离

02

Must Know！数据科学家们必须知道的 5 种聚类算法

聚类是一种关于数据点分组的机器学习技术。给出一组数据点，我们可以使用聚类算法将每个数据点分类到特定的组中。理论上，同一组中的数据点应具有相似的属性或特征，而不同组中的数据点应具有相当不同的属性或特征（即类内差异小，类间差异大）。聚类是一种无监督学习方法，也是一种统计数据分析的常用技术，被广泛应用于众多领域。在数据科学中，我们可以通过聚类算法，查看数据点属于哪些组，并且从这些数据中获得一些有价值的信息。今天，我们一起来看看数据科学家需要了解的 5 种流行聚类算法以及它们的优缺点。一、K 均值聚类 K-

08

KMEANS均值聚类和层次聚类：亚洲国家地区生活幸福质量异同可视化分析和选择最佳聚类数|附代码数据

《世界幸福报告》是可持续发展解决方案网络的年度报告，该报告使用盖洛普世界民意调查的调查结果研究了150多个国家/地区的生活质量。报告的重点是幸福的社交环境。在本项目中，我将使用世界幸福报告中的数据来探索亚洲22个国家或地区，并通过查看每个国家的阶梯得分，社会支持，健康的期望寿命，自由选择生活，慷慨，对腐败的看法以及人均GDP，来探索亚洲22个国家的相似和不同之处。我将使用两种聚类方法，即k均值和层次聚类，以及轮廓分析来验证每种聚类方法（点击文末“阅读原文”获取完整代码数据）。

00

每周学点大数据 | No.46 MapReduce 平台的局限

No.46期 MapReduce 平台的局限 Mr. 王：前面我们讲了许多基于MapReduce 的并行算法，现在我们讨论一个新话题——超越MapReduce 的并行大数据处理。虽然MapReduce 可以有效地解决很多并行计算的问题，但是经过前面对MapReduce 的使用我们也发现了一些常见的问题；这些问题用MapReduce 解决虽然是可行的，但是实现和执行起来多少会有一些不方便。小可：嗯，MapReduce 虽然是一个很好用的平台，但是也不是完美的。 Mr. 王：的确，时至今日，Google

05

Sub-Category Optimization for Multi-View Multi-Pose Object Detection

外观变化大的目标类别检测是计算机视觉领域的一个基本问题。由于类内部的可变性、视角和照明，目标类别的外观可能会发生变化。对于外观变化较大的目标类别，需要使用基于子类别的方法。本文提出了一种基于外观变化自动将一个目标类别划分成适当数量的子类别的子类别优化方法。我们没有使用基于领域知识或验证数据集的预定义的类内子分类，而是使用基于鉴别图像特征的非监督聚类来划分样本空间。然后利用子类别判别分析验证了聚类性能。基于无监督方法的聚类性能和子类别判别分析结果，确定了每个目标类别的最优子类别数。大量的实验结果显示使用两个标准和作者自己的数据库。比较结果表明，我们的方法优于最先进的方法。

04

R语言APRIORI关联规则、K-MEANS均值聚类分析中药专利复方治疗用药规律网络可视化|附代码数据

最近我们被客户要求撰写关于中药专利复方治疗用药规律的研究报告，包括一些图形和统计输出。

00

5种主要聚类算法的简单介绍

AiTechYun 编辑：Yining 聚类是一种机器学习技术，它涉及到数据点的分组。给定一组数据点，我们可以使用聚类算法将每个数据点划分为一个特定的组。理论上，同一组中的数据点应该具有相似的属性和/或特征，而不同组中的数据点应该具有高度不同的属性和/或特征。聚类是一种无监督学习的方法，是许多领域中常用的统计数据分析技术。在数据科学中，我们可以使用聚类分析从我们的数据中获得一些有价值的见解。在这篇文章中，我们将研究5种流行的聚类算法以及它们的优缺点。 K-MEANS聚类算法 K-Means聚类算法可能是大

04

K-means算法通俗原理及Python与R语言的分别实现

对于有N个数据的数据集，我们想把它们聚成K类，开始需要指定K个聚类中心，假设第i类有ni个样本数据，计算每个数据点分别到聚类中心的距离平方和，距离这里直接用的欧式距离，还有什么海明距离、街道距离、余弦相似度什么的其实都可以，这里聚类的话，欧式距离就好。

01

沃德的方法分析

作者：Anna Großwendt,Heiko Röglin,Melanie Schmidt

03

一个贯穿图像处理与数据挖掘的永恒问题

作者: 左飞著有《算法之美——隐匿在数据结构背后的原理（C++版）》原文 http://blog.csdn.net/baimafujinji/article/details/50521348 〇、序言创新对于学术研究或产业应用都具有不言而喻的重要作用，现在国家也提出了要建立创新型国家的发展战略。如果回到我们所探讨的图像处理或数据挖掘研究，细细品读其中的某些点滴，你是否能窥探出些许启迪？首先，创新可以分成两种，一种是原始创新，另外一种就是所谓的二次创新。如果一个东西过去完全不存在，你鬼使神差的就想出来

03

聚类，其实就是近朱者赤

简而言之，聚类分析就是将研究对象（若干个个集合）按照某种标准分成若干类。相似性的度量，参考多种距离计算公式：欧式距离，绝对距离，切氏距离，明氏距离，马距氏离，兰距氏离。你也可以根据研究对象特征自己定义出一种度量相似度的距离公式

02

讨论k值以及初始聚类中心对聚类结果的影响_K均值聚类需要标准化数据吗

摘要：进入二十一世纪以来，科学技术的不断发展，使得数据挖掘技术得到了学者越来越多的关注。数据挖掘是指从数据库中发现隐含在大量数据中的新颖的、潜在的有用信息和规则的过程，是一种处理数据库数据的知识发现。数据挖掘一种新兴的交叉的学科技术，涉及了模式识别、数据库、统计学、机器学习和人工智能等多个领撤分类、聚类、关联规则是数据挖掘技术几个主要的研究领域。在数据挖掘的几个主要研究领域中，聚类是其中一个重要研究领域，对它进行深入研究不仅有着重要的理论意义，而且有着重要的应用价值。聚类分析是基于物以类聚的思想，将数据划分成不同的类，同一个类中的数据对象彼此相似，而不同类中的数据对象的相似度较低，彼此相异。目前，聚类分析已经广泛地应用于数据分析、图像处理以及市场研究等。传统的Ｋ均值聚类算法（K-Means）是一种典型的基于划分的聚类算法，该聚类算法的最大的优点就是操作简单，并且Ｋ均值聚类算法的可伸缩性较好，可以适用于大规模的数据集。但是Ｋ均值聚类算法最主要的缺陷就是：它存在着初始聚类个数必须事先设定以及初始质心的选择也具有随机性等缺陷,造成聚类结果往往会陷入局部最优解。论文在对现有聚类算法进行详细的分析和总结基础上，针对Ｋ均值聚类算法随机选取初始聚类中也的不足之处，探讨了一种改进的选取初始聚类中心算法。对初始聚类中心进行选取，然后根据初始聚类中也不断迭代聚类。改进的聚类算法根据一定的原则选择初始聚类中心，避免了Ｋ均值聚类算法随机选取聚类中心的缺点，从而避免了聚类陷入局部最小解，实验表明，改进的聚类算法能够提高聚类的稳定性与准确率。

03

机器学习 | 聚类分析总结 & 实战解析

聚类分析是没有给定划分类别的情况下，根据样本相似度进行样本分组的一种方法，是一种非监督的学习算法。聚类的输入是一组未被标记的样本，聚类根据数据自身的距离或相似度划分为若干组，划分的原则是组内距离最小化而组间距离最大化，如下图所示：

02

数据挖掘从入门到放弃（六）：K-means 聚类

所谓物以类聚-人以群分，“类”指的是具有相似性的集合，聚类是指将数据集划分为若干类，使得各个类之内的数据最为相似，而各个类之间的数据相似度差别尽可能的大。聚类分析就是以相似性为基础，在一个聚类中的模式之间比不在同一个聚类中的模式之间具有更多的相似性。对数据集进行聚类划分，属于无监督学习。

03

K-means

对于”监督学习”(supervised learning)，其训练样本是带有标记信息的，并且监督学习的目的是：对带有标记的数据集进行模型学习，从而便于对新的样本进行分类。而在“无监督学习”(unsupervised learning)中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。对于无监督学习，应用最广的便是”聚类”(clustering)。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭