K-means聚类算法是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。
2022-06-05 10:34:58
3KB
1
实现算法有KNN、Kmeans、EM、Perceptron、决策树、逻辑回归、svm、adaboost、朴素贝叶斯
2022-06-02 17:10:48
2.43MB
1
K-Means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。
使用场景：通用聚类方法，用于均匀的簇大小，簇的数量不多的情况。
2022-06-02 15:16:29
3KB
1
1、概述
本篇博文为数据挖掘算法系列的第一篇。现在对于Kmeans算法进行简单的介绍，Kmeans算法是属于无监督的学习的算法，并且是最基本、最简单的一种基于距离的聚类算法。
下面简单说一下Kmeans算法的步骤：
选随机选取K的簇中心（注意这个K是自己选择的）
计算每个数据点离这K个簇中心的距离，然后将这个点划分到距离最小的簇中
重新计算簇中心，即将每个簇的所有数据点相加求均值，将这个均值作为对应簇的新簇中心。
重复2、3步，直到满足了你设置的停止算法迭代的条件
注意：停止算法迭代的条件一般有三个：
没有（或最小数目）对象被重新分配给不同的聚类。
没有（或最小数目）聚类中心再发生变化。
误差
2022-05-31 00:43:12
142KB
1
该资源主要参考我的博客：
[python] Kmeans文本聚类算法+PAC降维+Matplotlib显示聚类图像
http://blog.csdn.net/eastmount/article/details/50545937
包括输入文档txt，共1000行数据，每行都是分词完的文本。
本文主要讲述以下几点：
1.通过scikit-learn计算文本内容的tfidf并构造N*M矩阵(N个文档 M个特征词)；
2.调用scikit-learn中的K-means进行文本聚类；
3.使用PAC进行降维处理，每行文本表示成两维数据；
2022-05-30 23:14:11
358KB
实验 Spark ML Bisecting k-means聚类算法使用，实验文档
2022-05-26 14:39:08
30KB
1