關(guān)于kmeans算法報(bào)告總結(jié)

　　一、 背景知識(shí)簡(jiǎn)介：

　　Kmeans算法是一種經(jīng)典的聚類算法，在模式識(shí)別中得到了廣泛的應(yīng)用，基于Kmeans的變種算法也有很多，模糊Kmeans、分層Kmeans等。

　　Kmeans和應(yīng)用于混合高斯模型的受限EM算法是一致的。高斯混合模型廣泛用于數(shù)據(jù)挖掘、模式識(shí)別、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)分析。Kmeans的迭代步驟可以看成E步和M步，E：固定參數(shù)類別中心向量重新標(biāo)記樣本，M：固定標(biāo)記樣本調(diào)整類別中心向量。K均值只考慮（估計(jì)）了均值，而沒(méi)有估計(jì)類別的方差，所以聚類的結(jié)構(gòu)比較適合于特征協(xié)方差相等的類別。

　　二、 k-means聚類算法

　　k-means 算法接受參數(shù) k ；然后將事先輸入的n個(gè)數(shù)據(jù)對(duì)象劃分為 k個(gè)聚類以便使得所獲得的聚類滿足：同一聚類中的對(duì)象相似度較高；而不同聚類中的對(duì)象相似度較小。聚類相似度是利用各聚類中對(duì)象的均值所獲得一個(gè)“中心對(duì)象”（引力中心）來(lái)進(jìn)行計(jì)算的。

　　K-means算法是最為經(jīng)典的基于劃分的聚類方法，是十大經(jīng)典數(shù)據(jù)挖掘算法之一。K-means算法的基本思想是：以空間中k個(gè)點(diǎn)為中心進(jìn)行聚類，對(duì)最靠近他們的對(duì)象歸類。通過(guò)迭代的方法，逐次更新各聚類中心的'值，直至得到最好的聚類結(jié)果。

　　（1）算法思路：

　　首先從n個(gè)數(shù)據(jù)對(duì)象任意選擇 k 個(gè)對(duì)象作為初始聚類中心；而對(duì)于所剩下其它對(duì)象，則根據(jù)它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然 后再計(jì)算每個(gè)所獲新聚類的聚類中心（該聚類中所有對(duì)象的均值）；不斷重復(fù)這一過(guò)程直到標(biāo)準(zhǔn)測(cè)度函數(shù)開(kāi)始收斂為止。一般都采用均方差作為標(biāo)準(zhǔn)測(cè)度函數(shù). k個(gè)聚類具有以下特點(diǎn)：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開(kāi)。

　　該算法的最大優(yōu)勢(shì)在于簡(jiǎn)潔和快速。算法的關(guān)鍵在于初始中心的選擇和距離公式。

　　（2）算法步驟：

　　step.1---初始化距離K個(gè)聚類的質(zhì)心（隨機(jī)產(chǎn)生）

　　step.2---計(jì)算所有數(shù)據(jù)樣本與每個(gè)質(zhì)心的歐氏距離，將數(shù)據(jù)樣本加入與其歐氏距離最短的那個(gè)質(zhì)心的簇中（記錄其數(shù)據(jù)樣本的編號(hào)）

　　step.3---計(jì)算現(xiàn)在每個(gè)簇的質(zhì)心，進(jìn)行更新，判斷新質(zhì)心是否與原質(zhì)心相等，若相等，則迭代結(jié)束，若不相等，回到step2繼續(xù)迭代。

【關(guān)于kmeans算法報(bào)告總結(jié)】相關(guān)文章：

算法類論文開(kāi)題報(bào)告11-11

績(jī)效工資的算法10-13

失業(yè)保險(xiǎn)的算法06-10

年假加班工資的算法10-10

辭退員工補(bǔ)償扣稅算法05-17

《基于導(dǎo)納的圖像加密算法的研究》的開(kāi)題報(bào)告09-20

工齡的四種算法12-03

常見(jiàn)的算法面試題解法09-21

個(gè)人所得稅計(jì)算法09-07