无监督学习k-means算法思想及代码实现附数据集_kmeans 数据集

机器学习系列文章目录

参考链接：
https://blog.csdn.net/qq_54804745/article/details/123808288?spm=1001.2014.3001.5502

前言

限于博主的水平，文章难免存在不妥之处，恳请广大读者批评指正！

聚类分析是基于对样本数据进行适当划分的思想，实现对样本数据的聚类分析，该方法首先需要确定划分快的个数即聚簇的个数，然后通过适当方式将样本数据聚集成指定个数的聚簇。k-均值聚类算法又称k-Means聚类算法，其中k表示聚类所得到聚簇的个数。顾名思义，k-均值聚类算法是一种通过均值指标对数据进行聚类的方法。

提示：文末提供代码供参考

一、算法步骤

k-means介绍

k-均值聚类算法从初始划分所对应类内距离开始，通过逐步调整划分的方式最小化类内距离$d(C{}_1,C{}_2,\cdot \cdot \cdot ,C{}_k)$,由此得到类内距离最小聚类结果。$C{}_1,C{}_2,\cdot \cdot \cdot ,C{}_k$表示将所有样本数据分为k类簇,假定样本数据集如下：
D = { X 1 , X 2 , ⋅ ⋅ ⋅ , X k } D = \left \{ X{_1},X{_2},···,X{_k} \right \} D={X1​,X2​,⋅⋅⋅,Xk​}
算法具体过程如下:

1. 令s=0，并从D中随机生成k个作为初始聚类中心的数据点
   $u{{}_1}^0,u{{}_2}^0,u{{}_3}^0,\cdot \cdot \cdot ,u{{}_k}^0$;
   声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/不正经/article/detail/129068