学习
实践
活动
专区
工具
TVP
写文章

机器学习课程笔记(六)

首先,随意猜测几个中心(有时中心的数量也是要猜测的)

其次,看所有的点离这个中心的间距是多少,找出所有离该中心点距离较近的那个,这样就把点分类了,比如假设有两个中心,那么就依据这两个中心把点分为两类。

再次,在这个基础上寻找使得点与中心距离的平方和最小的位置

这样就相当于重新确定了中心点的位置。

那么再根据这些中心的位置重复‘其次、再次’中的步骤,直到中心的位置稳定

对于randomly 分布的样本而言,初始点的位置选择非常重要:

skearn.cluster.KMeans(n_cluster = 8,.....,max_iter = 300,...,n_init = 10),

n_cluster这个参数表示的是中心点的数量。需要经常做调整。#最为重要

max_iter是最大的迭代次数

n_init是选择不同起始位置的次数

k-means的局限:

即使对于很明显的有确定个数的聚类数量时,依据不同的中心位置,依然可能形成与事实不符的分割方式,比如下面这两种情况:

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180302G1KUHT00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

关注

腾讯云开发者公众号
10元无门槛代金券
洞察腾讯核心技术
剖析业界实践案例
腾讯云开发者公众号二维码

扫码关注腾讯云开发者

领取腾讯云代金券